Delineamento Experimentos P Liv Virtual PDF

Carlos Roberto Padovani
Cultura
Acadmica
Carlos Roberto Padovani professor titular de Bioestatstica do Instituto de Biocincias, Unesp, cmpus de Botucatu, tendo atuado como professor e/ou orientador
de Programas de Ps-Graduao da USP, Unicamp, Unesp, UFMT e UnB. Foi bolsista produtividade do CNPq; membro da Comisso de Avaliao de Programas de
Ps-Graduao junto Capes; coordenador da rea de Cincias Biolgicas junto
Runesp, presidente da Regio Brasileira da Sociedade Internacional de Biometria.
Atualmente ministra disciplinas da rea de Estatstica na graduao e de Bioestatstica
e Metodologia da Pesquisa Cientfica em vrios programas de Ps-Graduao na Unesp,
com orientaes em nvel de Mestrado e Doutorado e superviso de Ps-Doutorado.
DELINEAMENTO DE EXPERIMENTOS
O texto apresenta noes bsicas, histricas e conceituais de delineamentos experimentais, em particular dos planejamentos inteiramente casualizado e em blocos completos
casualizados, complementado com os esquemas fatoriais, correlao e regresso linear
simples e testes de aderncia e associao para variveis categorizadas. A abordagem no
os clculos estatsticos, mas sim, trazendo realidade o planejamento e o desenvolvimento
da experimentao aos alunos das reas de Cincias Biolgicas e da Sade.
Capa_Delineamento_minha versao.indd 1
realizada sob o aspecto tradicional de frmulas e uso de pacotes computacionais para
19/05/2014 18:17:16
DELINEAMENTO DE
EXPERIMENTOS
delineamento_de_experimentos-prova4.indd 1
28/05/2014 15:49:15
Universidade Estadual Paulista

Reitorr Julio Cezar Durigan
Pr-Reitor de Graduao Laurence Duarte Colvara
Pr-Reitor de Ps-Graduao Eduardo Kokubun
Pr-Reitora de Pesquisa Maria Jos Soares Mendes Giannini
Pr-Reitora de Extenso Universitria Maringela Spotti Lopes Fujita
Pr-Reitor de Administrao Carlos Antonio Gamero
Secretria Gerall Maria Dalva Silva Pagotto
Chefe de Gabinete Roberval Daiton Vieira
28/05/2014 15:49:17
Cultura
Acadmica
DELINEAMENTO DE
EXPERIMENTOS
So Paulo
2014
28/05/2014 15:49:17
Pr-Reitoria de Graduao, Universidade Estadual Paulista, 2014.
Padovani, Carlos Roberto

Delineamento de experimentos / Carlos Roberto Padovani.
So Paulo : Cultura Acadmica : Universidade Estadual Paulista,
Pr-Reitoria de Graduao, 2014
128 p. : tabs.
P124d
Bibliografia
ISBN: 978-85-7983-523-0
1. Planejamento Experimental. 2. Bioestatstica. I. Ttulo. II.
Universidade Estadual Paulista. Pr-Reitoria de Graduao.
CDD 378.8161
Ficha catalogrfica elaborada pela Coordenadoria Geral de Bibliotecas da Unesp
equipe
Pr-reitorr Laurence Duarte Colvara

Secretria Joana Gabriela Vasconcelos Deconto
Assessoria Jos Brs Barreto de Oliveira
Maria de Lourdes Spazziani
Valria Nobre Leal de Souza Oliva
Tcnica Bambina Maria Migliori
Camila Gomes da Silva
Ceclia Specian
Eduardo Luis Campos Lima
Gisleide Alves Anhesim Portes
Ivonette de Mattos
Maria Emlia Arajo Gonalves
Maria Selma Souza Santos
Renata Sampaio Alves de Souza
Sergio Henrique Carregari
Projeto grfico e diagramao Andrea Yanaguita
28/05/2014 15:49:17
PROGRAMA DE APOIO
PRODUO DE MATERIAL DIDTICO
Considerando a importncia da produo de material didtico-pedaggico dedicado ao ensino de graduao e de ps-graduao, a Reitoria da UNESP,
por meio da Pr-Reitoria de Graduao (PROGRAD) e em parceria com a
Fundao Editora UNESP (FEU), mantm o Programa de Apoio Produo
de Material Didtico de Docentes da UNESP, que contempla textos de apoio
s aulas, material audiovisual, homepages, softwares, material artstico e outras
mdias, sob o selo CULTURA ACADMICA da Editora da UNESP, disponibilizando aos alunos material didtico de qualidade com baixo custo e editado
sob demanda.
Assim, com satisfao que colocamos disposio da comunidade
acadmica mais esta obra, Delineamento de Experimentos, de autoria do
Prof. Dr. Carlos Roberto Padovani, do Instituto de Biocincias do Cmpus de
Botucatu, esperando que ela traga contribuio no apenas para estudantes da
UNESP, mas para todos aqueles interessados no assunto abordado.
28/05/2014 15:49:17
28/05/2014 15:49:18
SUMRIO
1.
Delineamento de Experimentos 9
1.1. Introduo 9
1.2. Delineamento ou Planejamento ou Desenho (Design) do Experimento 13
1.3. Delineamentos Experimentais 17
1.4. Exemplos 18
2.
Delineamento Inteiramente Casualizado (DIC) 20

2.1. Introduo 20
2.2. Modelo do Experimento DIC com Dados Balanceados 20
2.3. Procedimento Estatstico: Anlise de Varincia 22
2.4. Independncia dos Erros 23
2.5. Varincia Constante (Homocedasticidade) 25
2.6. Normalidade dos Erros 26
2.7. Tcnica da Anlise de Varincia (ANOVA) 29
2.8. Coeficientes de Determinao e Variao de um Experimento 33
2.9. Comparaes Mltiplas 34
2.10. Exerccios (DIC com Dados Balanceados) 36
2.11. Respostas dos Exerccios (DIC com Dados Balanceados) 38
2.12. Modelo do Experimento DIC com Dados No Balanceados 40
2.13. Exerccios (DIC No Balanceado) 43
2.14. Respostas dos Exerccios (DIC No Balanceado) 44
3.
Delineamento em Blocos Completos Casualizados (DBCC)

3.1. Introduo 47
3.2. Modelo do Experimento (Biolgico) 49
3.3. Procedimento Estatstico: Anlise de Varincia 50
3.4. Comparaes Mltiplas 53
3.5. Exerccios (DBCC) 54
3.6. Respostas dos Exerccios (DBCC) 55
4.
Esquemas Fatoriais 57
4.1. Introduo 57
4.2. Esquema Fatorial a*b no DIC 58
4.3. Exemplo de Fatorial a*b no DIC 63
4.4. Esquema Fatorial a*b no DBCC 65
4.5. Exemplo de Fatorial a*b no DBCC 68
4.6. Exerccios (Esquemas Fatoriais: DIC e DBCC) 71
4.7. Respostas dos Exerccios (Esquemas Fatoriais : DIC e DBCC)
5.
47
72
Anlise de Aderncia e Associao 75

5.1. Introduo 75
5.2. Teste de Aderncia 75
5.3. Teste de Homogeneidade 78
5.4. Teste de Independncia 82
28/05/2014 15:49:18
5.5.
5.6.
6.
7.
Exerccios (Testes de Aderncia e Associao) 84

Respostas dos Exerccios (Testes de Aderncia e Associao)
Correlao Linear Simples 89

6.1. Introduo 89
6.2. Diagrama de Disperso 90
6.3. Coeficiente de Correlao 91
6.4. Teste de Hiptese da Correlao 94
6.5. Exerccios (Correlao Linear Simples) 95
6.6. Respostas dos Exerccios (Correlao Linear Simples)
98
Regresso Linear Simples 101

7.1. Introduo 101
7.2. Modelo de Regresso Linear Simples 102
7.3. Coeficiente de Determinao 107
7.4. Teste do Coeficiente (Angular) de Regresso 108
7.5. Exerccios (Regresso Linear Simples) 109
7.6. Respostas dos Exerccios (Regresso Linear Simples)
112
8.
Bibliografia
9.
Tabelas 117
87
115
Tabela 9.1 Distribuio t de Student
P (t 0 < t < t 0 ) = 1 a
Tabela 9.2 Distribuio Qui-quadrado
P ( 2 > 2 ) =
0
Tabela 9.3 Distribuio F
P (F > F0 ) = 0, 01
119
P (F > F0 ) = 0, 05
120
P (F > F0 ) = 0,10
121
117
118
Tabela 9.6 Distribuio studentized range [ q(0 ,01;) ] : Tukey (1%)
122
Tabela 9.7 Distribuio studentized range [ q(0 ,05;) ] : Tukey (5%)
124
Tabela 9.8 Distribuio studentized range [ q(0 ,10 ;) ] : Tukey (10%)
126
Tabela 9.9 Valores crticos do coeficiente de correlao linear de Pearson

(teste bilateral) 128
28/05/2014 15:49:18
1.1 INTRODUO
Sir Ronald Aylmer Fisher (1890-1962) nasceu em Londres no dia 17 de

fevereiro de 1890 e bacharelou-se em Matemtica pela Universidade de Cambridge em 1912. Sua miopia exagerada salvou da convocao para o servio militar na 1 Guerra Mundial, defeito que possibilitou desenvolver um treinamento
matemtico de alta abstrao (visualizao no plano imaginrio) o que deve ter
contribudo para sua preferncia pela apresentao hipergeomtrica, possibilitando assim a exibir solues singulares independentes de simbolismo algbrico.
No incio do sculo XX, em 1919, aps trabalhar dois anos como estatstico e mais quatro como professor de matemtica e fsica em escolas pblicas
recebeu o convite para criar e chefiar um laboratrio de estatstica na Estao
Experimental de Agricultura de Rothamstead, Inglaterra, onde permaneceu
at 1933.
Durante este perodo, unido a outros estatsticos e pelo contato dirio
com problemas da rea agrcola, Fisher desenvolveu os mtodos de anlise e
os delineamentos experimentais, conforme descreve SALSBURG(2009). Caracteriza-se por delineamento do experimento ou delineamento experimental
(experimental design, em ingls, diseo experimental, em espanhol) o modo
de dispor as parcelas no experimento, ou seja, a maneira de designar os tratamentos s unidades experimentais ou parcelas. A tcnica mais fisheriana tratase de anlise de varincia. Juntamente com a anlise de covarincia, tambm
de sua autoria, constitui-se no instrumental bsico para interpretao dos resultados dos experimentos planejados. Deve ser destacado que esses mtodos
procedentes do cotidiano agrcola se tornaram universais e aplicveis em todas
28/05/2014 15:49:21
10
| DELINEAMENTO DE EXPERIMENTOS
as reas de conhecimento: medicina, psicologia, engenharia, odontologia, biologia, ecologia, entre outras.
Porm, como a formalizao dos procedimentos ocorreu em um ambiente
agrcola, a origem dos termos tcnicos da experimentao apresenta conotao bem agronmica. Assim o termo parcela foi criado para designar a unidade de rea usada no experimento. Essa unidade de rea 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 pea
anatmica, um corpo de prova, entre vrias outras possibilidades que podem
ser utilizadas como unidades experimentais. A terminologia mais utilizada,
atualmente consiste em designar parcela por unidade experimental, que consiste na unidade fsica ou biolgica para conduzir o experimento.
De mesma maneira, o termo tratamento tambm foi introduzido pela rea
agrcola. Indicava o que estava em comparao: fertilizantes, inseticidas, variedades, nutrientes. Hoje o termo tratamento tem um significado mais geral.
Muitos experimentos so feitos para comparar mtodos, grupos, produtos, mquinas, materiais e, inclusive, combinaes destes. Mas o interesse, em
experimentao, nem sempre 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 no recebeu o tratamento Grupo Controle ou Testemunha).
A respeito do grupo controle duas consideraes quanto sua constituio podem ser feitas: Controle Negativo e Controle Positivo. O grupo controle
negativo composto por unidades experimentais que no recebem tratamento
(virgem de tratamento), ou recebem apenas placebo (substncia inerte). No
entanto, o grupo controle positivo, constitui-se de unidades que recebem o
tratamento padro ou convencional. Na prtica, a terminologia grupo controle
ou testemunha utilizada como sinnimo de controle negativo.
28/05/2014 15:49:21
Delineamento de Experimentos | 11
Embora o uso de grupo controle j esteja consagrado em experimentao,

na rea mdica, torna-se fundamental discutir a tica de constituir o grupo
controle negativo. Neste sentido, a experimentao com seres humanos exige
um aprofundamento quanto s questes ticas do uso de placebo (controle
negativo), inclusive pelo fato de se caracterizar por omisso de tratamento.
A exequibilidade do experimento est subordinada ao princpio bsico da
repetio, segundo o qual indica que se deve ter repeties do experimento
para que seja possvel produzir uma medida de variabilidade que permitir a
realizao dos testes de hipteses sobre a presena de efeitos dos tratamentos
ou estimao desses efeitos. O nmero de unidades experimentais (parcelas
ou repeties) para cada tratamento deve ser determinado a partir de informaes sobre a variabilidade das parcelas em termos da varivel resposta (dependente), custo e poder dos testes de significncia.
Em experimentao a proposta bsica que se formula consiste em comparar grupos, no apenas unidades. As medidas experimentais do mesmo
grupo recebem o nome de repeties. Do ponto de vista estatstico sempre desejvel que os experimentos tenham grande nmero de repeties por
grupo. Na prtica, muitas vezes, o nmero de repeties fica limitado aos recursos (fsicos, financeiros, materiais,...) disponveis. Um dado importante que
deve ser considerado para o tamanho dos grupos, consiste em: quanto mais
homogneo for o material - em termos de caractersticas que possam interferir nas observaes ou medies que sero feitas - menor ser o nmero de
repeties necessrio para evidenciar o efeito significativo de tratamentos.
No contexto experimental, define-se fator como uma caracterstica em estudo da qual h interesse em verificar a inferncia sobre uma resposta do experimento, conforme destacam ANDRADE & OGLIARI (2007). Os nveis do fator
constituem os tratamentos do estudo. Um fator indicado como quantitativo
quando seus nveis so referentes a quantidades (doses de uma droga, nveis de
28/05/2014 15:49:21
12
adubao, etc). Por outro lado, um fator referido qualitativo quando seus nveis
so relativos a atributos (diferentes dietas, variedades de capim, etc).
Definidos os fatores e seus respectivos nveis que sero designados como
os tratamentos do estudo, a unidade experimental (parcela) e a varivel dependente, torna-se necessrio estabelecer qual o esquema de alocao dos
tratamentos s unidades experimentais ser utilizado, ou seja, como deve ser
conduzido o delineamento experimental.
Para formar grupos to iguais quanto possvel fundamental que os tratamentos sejam sorteados s unidades experimentais (casualizao). Ou seja, o
que importa entender que os tratamentos devem ser designados s unidades
experimentais por puro e simples sorteio. A casualizao teve incio em 1920
na rea agronmica, porm, na pesquisa mdica, s comeou a ser aceita muito mais tarde. A idia de sortear os pacientes que iro receber o tratamento
pode levantar questes de tica. Os que fazem objees ao uso de casualizao
em experimentos mdicos usam o argumento de que no tico sortear o
tratamento para alguns pacientes e deixar outros sem tratamento. Ora, essa
objeo refere-se conduo do experimento e no tcnica de casualizar.
No existem alternativas vlidas para a casualizao. O pesquisador que
escolhe as unidades por critrio prprio por melhores que sejam as intenes,
introduz tendenciosamente nos resultados.
O princpio da casualizao pode ser considerado como uma das maiores contribuies dos procedimentos estatsticos cincia experimental, pois
nele est assegurada a fidedignidade das concluses. O efeito de proceder a
casualizao constitui-se na garantia que parcelas (unidades experimentais)
com caractersticas diferentes tenham igual probabilidade de serem designadas para todos os grupos.
28/05/2014 15:49:22
1.2 DELINEAMENTO OU PLANEJAMENTO OU DESENHO (DESIGN) DO

EXPERIMENTO
O procedimento geral e comum na pesquisa cientfica consiste em formular hipteses (afirmativas sob julgamento) e verific-las diretamente ou por suas
consequncias. Neste sentido, faz-se necessrio um conjunto de observaes e o
planejamento de experimentos ento imprescindvel para indicar o procedimento que ser utilizado para verificar se as hipteses so verdadeiras ou falsas.
As hipteses so avaliadas por meio de mtodos de tomada de deciso
estatstica (teoria das probabilidades) cujos procedimentos quantitativos e
anlises objetivas (teoria estatstica) dependem da maneira sob a qual as observaes foram obtidas. Procedimento bem distinto da matemtica no qual
para calcular a rea de uma figura plana, por exemplo, de um tringulo, basta
multiplicar sua base por sua altura e dividir por dois que se obtm de maneira
exata o valor numrico relativo rea desejada.
Nas reas das cincias biolgicas a situao bem mais complexa, surgem
inmeras causas de variao de controle impossvel ou s parcialmente possvel (variaes genticas, erros de medidas inerentes preciso dos aparelhos,
efeitos sazonais, etc). Essas causas de variao, vrias e s vezes at desconhecidas ou mal conhecidas, acumulam variaes nos dados observados que possibilitam alterar em menor ou maior intensidade os resultados das unidades
experimentais, cuja preciso deve ser discutida em termos probabilsticos de
quo provveis so os valores encontrados. Neste contexto, troca-se a exatido
da matemtica pela construo probabilstica das possibilidades dos resultados encontrados nos dados (preciso das informaes estatsticas). O planejamento experimental e a anlise estatstica dos resultados esto interligados
e, desta forma, devem ser considerados de maneira sucessiva nas pesquisas
cientficas de todas as reas de conhecimento (Sampaio, 2010).
28/05/2014 15:49:22
14
Existe uma semelhana muito expressiva entre o mdico e o estatstico

(cuidador da sade dos nmeros).
O primeiro passo para o mdico o diagnstico (para o estatstico, o
planejamento); saber onde h necessidade de cura (qual o modelo para coleta
de dados). A primeira atitude dos mdicos examinar os sintomas se voc
chegar ao mdico j pedindo determinado remdio, no ser atendido; antes,
preciso saber quais os sintomas aparentes do problema, detectando os sintomas fsicos (material e mtodos) e emocionais (imparcialidade e no vis de
planejamento) para finalmente realizar a prescrio.
Assim acontece com a estatstica, a anlise dos dados (prescrio de remdio) deve acontecer aps o conhecimento dos sintomas (caractersticas da pesquisa em estudo) para que se tenha o diagnstico (modelo do delineamento
experimental).
Segundo Sir Ronald Aylmer Fisher, o arquiteto da estatstica experimental:
Chamar o especialista em estatstica depois que o experimento foi feito 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 visualizao sequencial destes aspectos consiste
em considerar a circularidade do mtodo cientfico, no qual pode-se verificar
a necessidade e a importncia do planejamento experimental juntamente com
a anlise estatstica de dados.
28/05/2014 15:49:22
Observaes (2)
(Planejamento)
Formulao de hipteses (1)
Vericao das hipteses (3)
(Planejamento)
(Anlise)
Desenvolvimento
da Teoria (4)
Uma pesquisa cientfica estatisticamente planejada deve seguir a seguinte

sequncia de passos quanto ao planejamento e execuo:
1.
Enunciado claro do problema e formulao das hipteses que sero estudadas (as hipteses cientfica e estatstica devem manter uma correspondncia perfeita e o enunciado apresentar-se de maneira clara e objetiva).
2.
Indicao dos fatores (variveis independentes variveis controladas

pelo pesquisador) do estudo (a escolha dos fatores e seus respectivos nveis
constituiro os tratamentos).
3.
Indicao da unidade experimental (parcela). Deve ser definida no sentido

de minimizar o erro experimental.
4.
Indicao das variveis (variveis respostas) que sero medidas na unidade

experimental (a distribuio probabilstica associada varivel resposta
essencial para a escolha do mtodo de anlise estatstica).
5.
Indicao das regras e procedimentos pelos quais os diferentes tratamentos (combinao de nveis de fatores) sero atribudos s unidades experimentais (processo de casualizao ou aleatorizao).
6.
Anlise estatstica dos dados do experimento (tem como objetivo verificar

as hipteses estabelecidas no incio da pesquisa).
7.
Descrio dos resultados analticos com as medidas de preciso das estimativas e o respectivo nvel de significncia nas interpretaes inferenciais.
28/05/2014 15:49:22
16
Para melhor entendimento das caractersticas e as etapas do planejamento

experimental, suponha que o interesse de um pesquisador consista em comparar duas dietas (normocalrica e hipercalrica) quanto ao desempenho
ponderal final de ratos Wistar-Kyoto submetidos aos tratamentos (dietas) por
um perodo final de 12 semanas.
Caracteriza-se que o experimento est planejado quando esto definidos:
i.
a unidade experimental (animal rato Wistar);
ii.
a varivel em anlise (resposta) e a forma como ser medida (variao percentual do ganho de peso, medido pela diferena 100(PF - PI ) % ), sendo
PI
PF o peso final e PI o peso inicial;

iii.
tratamentos em comparao (dieta normocalrica e dieta hipercalrica);
iv.
forma de designar os tratamentos s unidades experimentais (por sorteio)

considerando que os animais so homogneos;
v.
o nmero de ratos de cada dieta ser de 12 unidades.

Os itens iv e v formam os princpios bsicos da experimentao: casualiza-
o (fidedignidade) e a repetio (exequibilidade).

As hipteses de interesse da pesquisa so verificadas com a utilizao de
mtodos de anlise estatstica que dependem da maneira sob a qual as observaes foram obtidas, ou seja, sob qual modelo de casualizao dos tratamentos
s unidades experimentais os dados foram coletados. Portanto, planejamento
de experimentos e anlise dos dados coletados sob o modelo operacional utilizado no podem ser considerados isolados, pois a ordem dos acontecimentos
est em uma sequncia dentro do desenvolvimento nas pesquisas.
O procedimento estatstico exigido ao analisar dados experimentais ou observacionais fundamenta-se em gerar modelos que explicitem as estruturas do
fenmeno biolgico, as quais continuamente esto misturadas com variaes
casuais, aleatrias ou acidentais. Quanto mais identificada e entendida forem
essas estruturas, maior conhecimento do fenmeno, assim como, melhores
28/05/2014 15:49:22
sero as informaes sobre os possveis comportamentos do mesmo. Ou seja,

tem-se uma aproximao consistente da realidade biolgica expressa num
modelo considerado (modelo uma expresso resumida de algum fenmeno).
A percepo biolgica e a identidade estatstica com o processo estocstico
ponderam admitir cada observao composta por duas partes: uma previsvel
(controlada) e outra aleatria (no previsvel).
Cada observao pode ser representada pelo modelo:
OBSERVAO = PREVISVEL + ALEATRIO , no caso aditivo, ou
OBSERVAO = PREVISVEL ALEATRIO , no caso multiplicativo.
A parte previsvel sistematiza o conhecimento que o pesquisador tem sobre o fenmeno, normalmente expressada por uma funo matemtica envolvendo parmetros desconhecidos. parte aleatria, dada sua caracterstica de
no previsibilidade, exige-se que esteja sujeita a algum modelo probabilstico.
A partir destas consideraes, seguindo o planejamento proposto para a
coleta de informaes (dados) nas unidades experimentais, o procedimento
estatstico consiste em estabelecer estimativas para os parmetros desconhecidos (propostos na parte sistematizada previsvel segundo as hipteses e os
objetivos do pesquisador), baseando-se em amostras observadas.
1.3 DELINEAMENTOS EXPERIMENTAIS
No contexto do planejamento de um experimento, torna-se essencial

definir a maneira como os tratamentos sero designados s unidades. O processo de casualizao envolvido no planejamento designando como os tratamentos sero alocados s unidades experimentais estabelecem o delineamento
do experimento. Nesse contexto, sero apresentados no presente texto, duas
situaes comuns na rea biolgica, quais so: unidades homogneas e unidades heterogneas, conforme descrito a seguir.
28/05/2014 15:49:23
18
i.
Delineamento Inteiramente Casualizado (DIC)

Consiste em alocar de maneira inteiramente ao acaso os tratamentos s
unidades experimentais. Para sua realizao, exigem-se unidades experimentais homogneas (similares).
ii.
Delineamento em Blocos Completos Casualizados (DBCC)

Consiste em considerar grupos similares (blocos) de unidades experimentais, quando o conjunto heterogneo, e alocar casualmente os tratamentos s unidades experimentais dentro dos blocos.
Na rea biomdica o termo bloco , geralmente, substitudo por estrato.
1.4 EXEMPLOS
Para melhor entendimento de um planejamento experimental so apresentados a seguir dois exemplos prticos.
4.1 Planeje um experimento para estudar (comparar) o uso de sobredoses de vitamina B12 na diminuio de aterosclerose, em pacientes com a doena.
Unidade experimental: paciente com a doena.

Varivel resposta: diminuio da aterosclerose (dimetro do calibre em mm).
Tratamentos em comparao: dose padro, sobredoses baixa, mdia e alta.
Designao dos tratamentos: por sorteio.
Nmero de repeties: oito doentes por tratamento.
4.2 Planeje um experimento para comparar quatro mtodos de ensino da Linguagem

Americana de Sinais em alunos de uma turma homognea de 120 alunos.
Unidade experimental: aluno da turma.

Varivel resposta: nota de um teste padro de linguagem (0 a 100 pontos
inteiros).
28/05/2014 15:49:23
Tratamentos em comparao: mtodos A, B, C, D.

Designao dos tratamentos: sorteio do aluno participante.
Nmero de repeties: 15 alunos por mtodo.
Sob o aspecto dos delineamentos experimentais mais utilizados nos exemplos prticos propostos em 1.4.1 e 1.4.2; o primeiro envolve como unidade
experimental o ser humano (paciente com doena) com suas caractersticas
biolgicas heterogneas, levando a necessidade do DBCC (so construdos
grupos de quatro pacientes com caractersticas biolgicas to prximas quanto
possvel e ento, procede-se o sorteio dos tratamentos). No segundo, como se
trata de uma turma homognea, o DIC mais apropriado.
28/05/2014 15:49:23
28/05/2014 15:49:23
2
DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
2.1 INTRODUO
O primeiro planejamento experimental a ser abordado trata-se do Delineamento Inteiramente Casualizado (DIC), bastante simples quanto ao processo de alocao dos tratamentos s unidades experimentais. Para melhor desenvolvimento didtico ser apresentado, primeiramente com dados balanceados
(mesmo nmero de repeties por tratamento) e, na sequncia, com dados
no balanceados (ausncia da considerao de mesmo nmero de repeties
por tratamento).
2.2 MODELO DO EXPERIMENTO DIC COM DADOS BALANCEADOS
Este delineamento consiste em designar os tratamentos s unidades experimentais por puro e simples sorteio, isto , sem qualquer tipo de restrio
(equiprobabilidade para cada unidade experimental receber qualquer um dos
tratamentos). A operacionalizao do procedimento de alocao dos tratamentos fica condicionada disponibilidade de parcelas similares no experimento
(parcelas homogneas). O entendimento de similaridade ou semelhana no
deve ser confundido com igualdade (igualdade conceito muito matemtico e
nada provvel em biologia).
Esse plano experimental to mais eficiente quanto maior for o grau de
homogeneidade entre as unidades experimentais em termos da varivel dependente. Se as unidades experimentais so heterogneas, o nmero de parcelas necessrio para uma boa preciso pode ser muito grande (na prtica devese procurar outros planejamentos experimentais, tais como blocos ou utilizar
28/05/2014 15:49:23
22
variveis auxiliares covariveis, pois estes podem reduzir o erro experimental).

Sob o aspecto dos procedimentos de testes estatsticos aconselhvel o
balanceamento das repeties (todos tratamentos com igual nmero de
repeties), embora nem sempre isso seja possvel (principalmente na pesquisa com seres humanos quando o uso de grupo controle tem restries de
natureza tica).
O modelo estocstico que indica a forma da resposta biolgica de uma
unidade experimental submetida a um dos tratamentos, isto :
Resposta Biolgica = Mdia Tratamento + Erro Casual Biolgico, descrito como
yij = i + ij (i = 1,...k e j = 1,...,r)
sendo i o ndice referente ao tratamento e j unidade experimental.
2.3 PROCEDIMENTO ESTATSTICO: ANLISE DE VARINCIA
A anlise de varincia (ANOVA), embora exija o clculo de varincias,

na verdade compara as mdias dos tratamentos. Constitui-se numa extenso
do teste t de Student (que compara apenas duas e s duas mdias) para um
nmero qualquer de mdias. A estatstica do teste para a ANOVA calculada
por meio do teste F (Fisher-Snedecor).
A lgica de uma anlise de varincia consiste em considerar a variao
total existente nos dados desmembrada em duas partes: uma variao devida
aos tratamentos e outra devida ao acaso (ou resduo). A idia comparar a
variao devida aos tratamentos com a variao devida ao acaso.
Algumas pressuposies bsicas precisam estar satisfeitas para o uso da
tcnica da anlise de varincia, que so: i) os erros so variveis aleatrias independentes; ii) a varincia constante (homognea nos tratamentos); iii) a
distribuio dos erros normal ou aproximadamente normal.
28/05/2014 15:49:23
Delineamento Inteiramente Casualizado (DIC) | 23
2.4
INDEPENDNCIA DOS ERROS
Uma regra prtica consiste em utilizar um grfico de resduos padronizados versus a ordem de coleta dos dados. Se a pressuposio de independncia
estiver satisfeita, os resduos devem ficar distribudos casualmente ao redor de
zero, sem um padro definido. Para a construo grfica devem ser consideradas as seguintes definies:
Resduo eij = yij yi (resduo relativo j-sima observao do i-simo
grupo), i = 1,..., k; j = 1,..., r .

Resduo padronizado zij =
eij
QMRes
(resduo padronizado relativo j-
sima observao do i-simo grupo ), onde QMRes significa Quadrado Mdio
Residual e tem seu valor dado por: QMRes = S 2pool = (ni 1)Si2 (n k ) .
i=1
Para o entendimento da regra prtica considere um conjunto homogneo

de 20 animais e quatro dietas para a comparao das alteraes de pesos, cujos
5 animais de cada dieta foram escolhidos por processo randmico (sorteio).
As dietas estudadas foram:
A: dieta padro;
B: dieta padro suplementada com amendoim;
C: dieta padro suplementada com girassol;
D: dieta padro suplementada com abbora.
Os ganhos de peso(g) avaliados considerando a variao absoluta entre o

incio e o final do experimento, so apresentados na Tabela 2.1.
28/05/2014 15:49:25
24
Tabela 2.1
Ganhos de peso segundo dieta (g)
Dieta A
25
26
20
23
21
Dieta B
31
25
28
27
24
Dieta C
22
26
28
25
29
Dieta D
33
29
31
34
28
A Tabela 2.2 apresenta o resultado da estatstica descritiva dos dados:

Tabela 2.2
Estatstica descritiva das dietas
Dieta
Mdia
Varincia
A
23,0
6,5
B
27,0
7,5
C
26,0
7,5
D
31,0
6,5
Portanto,
QMRes = S 2pool = (46, 5 + 47, 5 + 47, 5 + 46, 5) (20 4) = 7, 0 .
Os resduos esto apresentados na Tabela 2.3.

Tabela 2.3 Resduos dos ganhos de peso segundo dieta (g)
Resduo (eijj)
Resduo Padronizado (zzijj)
-4
0,756
1,512
-1,512
0,756
-2
-2
1,134
-0,756
0,000
-0,756
-3
-1,134
0,378
0,756
0,000
-1
0,000
0,000
-0,378
1,134
-2
-3
-3
-0,756
-1,134
1,134
-1,134
O grfico bidimensional dos pares (ordem da observao; resduo padronizado) est apresentado na Figura 2.1.
28/05/2014 15:49:28
Zij
1,890
1,512
1,134
0,756
0,378
0,000
10 11 12
13 14 15 16
-0,378
17 18 19 20
21
Observao
-0,756
-1,134
-1,512
-1,890
Figura 2.1.
Grco dos resduos padronizados zij
A inspeo grfica dos resduos permite indicar que a pressuposio de

independncia pode ser aceita.
Em situaes que se deseja um resultado mais objetivo, isto , se h interesse em um estudo mais avanado de delineamento de experimentos, recomenda-se aplicar o teste de Durbin-Watson para avaliar a significncia da
presena de dependncia (autocorrelao) dos erros (Draper & Smith, 1998).
2.5 VARINCIA CONSTANTE (HOMOCEDASTICIDADE)
Uma regra prtica indicada por DEAN & VOSS (1999) sugere pressupor
que os resultados de uma ANOVA sejam considerados vlidos desde que a
maior varincia no exceda em trs vezes a menor. BOX (1953) sugere que a
maior varincia no deva exceder em quatro vezes a menor. No nvel analtico,
no qual exige-se deciso mais objetiva, foram propostos diversos testes para a
igualdade de varincias, destacando-se entre eles: Cochran, Hartley, Bartlett e
Levene. Em nosso caso, ser utilizado o teste de Hartley que considera a razo
28/05/2014 15:49:28
26
entre a maior e a menor varincia, cuja estatstica do teste dada pela distribuio F.
Ou seja,
H 0 : s12 = s22 = ... = sk2 (Varincias Homogneas)
H1 : Existe si2 si2 , para i i (Varincias Heterogneas)
A estatstica do teste obtida considerando

max(S12 ,...,Sk2 )
~ F(glnum;glden) .
min(S12 ,...,Sk2 )
Sob a veracidade de H 0 , a estatstica F do teste de hiptese da homogeneiF=
dade de varincias tem distribuio F (Fisher-Snedecor) com os parmetros:

graus de liberdade do numerador (glnum) e graus de liberdade do denominador (glden).
A regra de deciso a habitual, isto , F > F(; glnum;glden), rejeita-se
H 0 ; caso contrrio, no h rejeio.
No exemplo:
max(S12 ,..., S42 )
7,5
=
= 1,15
2
2
min(S1 ,..., S4 )
6,5
t H0 .
= 0, 05,ento glnum = glden = 4 F(0,05;4 ;4 ) = 6, 39; portanto, no se rejeita
F=
2.6
NORMALIDADE DOS ERROS
Um processo prtico consiste em fazer um grfico de probabilidades normais (NORMAL PROBABILITY PLOT). O grfico de probabilidade normal
consiste em uma tcnica grfica que permite avaliar se existe ou no um conjunto de dados que apresenta aderncia distribuio normal de probabilidades.
Os dados so plotados em um grfico cartesiano para verificar se os pontos
formam uma reta aproximada, levando-se em considerao que quanto mais
afastados da reta situarem os pontos, maior fuga da normalidade apresenta a
situao. Os resduos padronizados ( Zij ) so colocados no eixo das abscissas
e os escores da distribuio normal padronizada [valores esperados obtidos
28/05/2014 15:49:29
de P (Z Fi ) ] no eixo das ordenadas, para i =1,, n . A cada i-simo resduo,

associa-se a frequncia percentual acumulada emprica Fi =
seguida calcula-se P (Z Fi ) .
100(i 12 )
%, em
n
Na presena da normalidade, os pontos ficaro em torno de uma reta que

passa pela origem e tem coeficiente angular 1. De maneira analtica, a hiptese
de que a distribuio dos erros normal pode ser colocada em teste utilizandose os testes de aderncia de: Kolmogorov-Smirnov(KS), Shapiro-Wilks(SW) e
Qui-quadrado(2).
Em linhas gerais, o pesquisador no precisa preocupar-se com a nonormalidade, o teste estatstico F bastante robusto, ou seja, pequenas transgresses pressuposio de normalidade no afetam, substancialmente, o resultado da anlise de varincia ANOVA, a menos que a distribuio dos erros
tenha: i) curtose positiva; ii) assimetria. Nesses dois casos, tm-se falsas rejeies (mais diferenas significantes do que, na realidade, existem).
Considerando o exemplo dos ganhos de peso segundo dieta com o total 20
animais, tem-se Fi = 100(i 0, 5) % = 5(i 0, 5)% . Com os valores dos resduos pa20
dronizados ordenados em ordem crescente de magnitude constri-se a Tabela 2.4.
28/05/2014 15:49:34
28
Tabela 2.4 Resduos padronizados ordenados e escores esperados sob normalidade

(Distribuio Z)
Ordem ( i )
Zij (ordenado)
Fi (%)
Escore Esperado
-1,512
2,5
-1,96
-1,134
7,5
-1,44
-1,134
12,5
-1,15
-1,134
17,5
-0,93
-0,756
22,5
-0,76
-0,756
27,5
-0,60
-0,756
32,5
-0,45
-0,378
37,5
-0,32
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
Para melhor entendimento do processo considere o resduo padronizado

de menor magnitude (-1,512). A ordem associada ao valor i =1 e, logo,
F1 (%) = 5(1 0, 5)% = 2, 5% . O escore esperado sob a distribuio normal pa-
dronizada dado por P (Z 0, 025) = 1, 96 . E assim, procede-se sucessivamente at o escore padronizado de maior magnitude (1,512).
28/05/2014 15:49:37
Escore
Esperado
2,5
2,0
1,5
1,0
0,5
-2,0
-1,5
-1,0
-0,5
0
-0,5
0,5
1,0
1,5
2,0
Zij
-1,0
-1,5
-2,0
-2,5
2.7 TCNICA DA ANLISE DE VARINCIA (ANOVA)
Quando se tem um experimento completamente ao acaso com um fator

fixo (fonte de variao controlada em estudo), o interesse consiste em verificar a influncia dos k nveis desse fator (k grupos ou k tratamentos) sobre
uma varivel dependente (resposta) biolgica Y em estudo. Uma maneira de
verificar a existncia dessa influncia do fator consiste em comparar as mdias
populacionais da varivel Y sob os nveis do fator (tratamento = agente causal).
Um teste estatstico para verificar a igualdade dessas k mdias relativas aos
N
O VAriOf
nveis do fator consiste na tcnica da anlise de varincia (ANalysis
ance, ttulo em ingls que deriva a sigla ANOVA, utilizada na lngua inglesa e,
muitas vezes na lngua portuguesa). Embora o procedimento envolva o clculo
de varincias, seu objetivo fundamenta-se em comparar as mdias dos nveis
do fator (tratamento).
A lgica da ANOVA para o delineamento inteiramente ao acaso muito
simples, ou seja, resume-se em fracionar a variabilidade total dos dados em
duas fontes de variao ortogonais entre si, sendo uma devido a variao en-
28/05/2014 15:49:40
30
tre os nveis do fator (variao entre tratamentos) e outra, devido a variao

dentro dos nveis (dentro de tratamentos). Esta ltima tem a finalidade especfica de estimar a variao atribuda ao acaso; enquanto a primeira, envolve
a variao do acaso acumulada, devido aos nveis de tratamento. Feito isso,
determina-se a razo da variao entre os nveis e a variao dentro dos nveis
e, se o resultado obtido for muito grande a concluso estabelecida a favor
das diferenas entre as mdias dos nveis do fator (diferenas entre as mdias
dos tratamentos).
Deve ser considerado que para a utilizao da tcnica da ANOVA, embora
o entendimento da lgica seja muito fcil, algumas pressuposies devem estar satisfeitas, quais sejam: independncia dos erros, normalidade dos dados
e homogeneidade de varincias; conforme ser mostrado a seguir a partir dos
dados da Tabela 2.5.
Considere um conjunto homogneo de 20 animais e quatro dietas para a
comparao das alteraes de pesos, cujos 5 animais de cada dieta foram escolhidos por processo randmico (sorteio). As dietas estudadas foram:
A: dieta padro;
B: dieta padro suplementada com amendoim;
C: dieta padro suplementada com girassol;
D: dieta padro suplementada com abbora.
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)
(*) mdia (desvio padro)
28/05/2014 15:49:40
Cada ganho de peso uma resposta biolgica do modelo geral

yij = i + ij = + i + ij , com i =1,..., k (nmero de tratamentos) e j =1,..., r
(nmero de repeties por tratamento), onde:

a mdia geral comum a todas as observaes definida como
, sendo
i a mdia populacional de Y no i-simo tratamento;

ri o nmero de repeties no i-simo tratamento (no caso balanceado o
valor comum r para todos tratamentos);
ti o efeito do i-simo nvel do fator na varivel dependente Y e mede

o desvio da mdia i em relao a m, isto : i = i ;
eij o erro casual no observvel (em nosso estudo, varivel aleatria independente e identicamente distribuda como N (0,s 2 ) ).
Neste sentido, tem-se:
a)
E (Yij ) = + i = i
b)
Var = (Yij ) = s 2
c)
Yij ~ N (i , 2 )
Considerando satisfeitas as suposies de independncia dos erros, normalidade dos dados e homogeneidade das varincias de tratamentos, a tcnica
da ANOVA consiste em comparar a variao devida aos tratamentos (entre
tratamentos) com a variao devida ao acaso (ou resduo, ou dentro de tratamentos).
Para o clculo das causas de variao so determinadas:
a)
Graus de liberdade (GL)
Total = n 1, onde n = kr;

Tratamento = k 1;
Res duo = n k= k (r 1)
b) Somas de quadrados (SQ)
28/05/2014 15:49:40
32
SQTot =
i=1
SQTrat =
i=1
yi =
( y
ij
j=1
y )2 =
i=1
( y
j=1
y
j=1
2
ij
y )2 =
i=1
ny2 onde y =
yi2
ny2 =
r
1 k
n i=1
y ;
ij
j=1
ry
i=1
2
i
- ny2 ; onde
1 r
yij ;
r j=1
k
SQRes =
i=1
( y
ij
j=1
yi )2 =
i=1
y
2
ij
j=1
i=1
yi2
= SQTot SQTrat .
r
c) Quadrados Mdios (QM)

QMTrat = SQTrat / (k 1)
QMRes = SQRes / (n k )
F = QMTrat / QMRes
As quantidades obtidas anteriormente so dispostas na Tabela 2.6, denominada tabela de anlise de varincia.
Tabela 2.6 Tabela geral de ANOVA de um DIC balanceado
Causa de variao
GL
SQ
QM
Tratamentos
k -1
SQTrat
QMTrat
QMTrat / QMRes
Resduo
n-k
SQRes
QMRes
Total
n-1
SQTot
O teste de hipteses relativo Tabela 2.6 consiste em:

H 0 : No existe efeito de tratamentos H 0 : 1 = ... = k = 0 H 0 : 1 = ... = k =
H1 : Existe efeito de tratamentos H1 : Existe ti 0 (i = 1,..., k)
Se F F(a ;k1;nk ) , rejeita-se H0. Caso contrrio no h rejeio.

No exemplo, tem-se:
k = 4 (tratamentos) e r = 5 (repeties por tratamento);
28/05/2014 15:49:47
y = 535, logo, y = 535 / 20 = 26, 75

y1 = 115( y1 = 23); y2 = 135( y2 = 27); y3 = 130( y3 = 26); y 4 = 155( y 4 = 31)
SQTot = 14587, 00 14311, 25 = 275, 75
SQTrat = 14475, 00 14311, 25 = 163, 75
SQRes = 275, 75 163, 75 = 112, 00
QMTrat = 163, 75 / 3 = 54, 58
QMRes = 112, 00 / 16 = 7, 00
Tabela 2.7
ANOVA dos ganhos de peso
Causa de variao
GL
SQ
QM
Dietas
163,75
54,58
7,80 (p < 0,005)
Resduo
16
112,00
7,00
Total
19
275,75
Conclui-se, no nvel de significncia 5%, que existem diferenas entre as

mdias das alteraes (ganhos) de pesos segundo as dietas estudadas (rejeitase H 0 : t1 = t2 = t3 = t 4 = 0 ). Ou seja, os resultados experimentais (com base
no p-value) permitem rejeitar a hiptese de que as mdias de tratamentos
so iguais, ao nvel de significncia de 5%.
2.8 COEFICIENTES DE DETERMINAO E VARIAO DE UM EXPERIMENTO
O coeficiente de determinao ( R ) de um experimento dado pela razo

entre a SQTrat (variao devida aos tratamentos) e a SQTot (variao total
dos valores observados), indicando a proporo da variao total explicada
pela variao devida aos tratamentos ( 0 R2 1 ).
O coeficiente de variao ( CV ) de um experimento dado pela razo entre
o desvio padro (na ANOVA, consiste na raiz quadrada positiva de QMRes ) e
28/05/2014 15:49:57
34
a mdia geral dos dados ( y ), indicando como os dados comportam-se (disperso) em relao mdia geral. A grandeza inversa do CV remete idia da
preciso dos dados experimentais.
No exemplo anterior, tem-se
R2 = SQTrat / SQTot = 163, 75 / 275, 75 = 0, 5938
(59,38% da variao total explicada pela variao de tratamentos);

CV = QMRes / y = 7, 00 / 26, 75 = 0, 0989
(9,89% estabelece-se como a disperso relativa dos dados experimentais)
2.9 COMPARAES MLTIPLAS
A tcnica da ANOVA permite ao pesquisador verificar se existe efeito

dos tratamentos, mas no como as mdias dos tratamentos diferem entre
si. Portanto, se constatar que existe efeito do fator em estudo, interessante
complementar a anlise a fim de localizar as diferenas entre as mdias dos
tratamentos. A resposta complementao da ANOVA pode ser concretizada
(principalmente quando os nveis do fator so qualitativos) com um teste de
comparaes mltiplas de mdias.
Nessa linha de busca de uma resposta biolgica mais interessante e informativa foram propostos diversos testes que, em geral, levam o nome do
seu autor (Tukey, Duncan, Dunnet, Bonferroni, Scheff, Newman-Keuls ou
Student-Newman-Keuls (SNK), e outros). No existe um teste aceito como o
melhor deles; todos apresentam vantagens e desvantagens e situao mais
indicada para seu uso.
Os testes de comparaes mltiplas permitem testar hipteses do tipo:
H 0 : c11 + ... + ck k = 0 versus H1 : c11 + ... + ck k 0, com c1 + ... + ck = 0 . Essa
combinao linear de mdias, que reflete uma situao de interesse biolgico,

denominada contraste de mdias.
28/05/2014 15:50:04
Na maioria das vezes, o interesse consiste na comparao de todas as diferenas entre mdias de dois tratamentos. Dentro dessa linha de curiosidade a
opo ser pelo mtodo de Tukey.
O mtodo de Tukey baseia-se na diferena honestamente significante
(HSD=Honestly Significant Difference), cujo princpio encontrar a diferena mnima significante que assegura a todas as comparaes um nvel comum
de significncia estabelecido a priori. Segundo Gomes (2009), o teste pode ser
utilizado para comparar todo e qualquer contraste entre pares de mdias.
No experimento com dados balanceados o teste de Tukey exato com o
seguinte procedimento operacional:
H0 : i i = 0
H1 : i i 0, com i i .
Calcula-se HSD ( ) = ( ) = q( ;k ;)
QMRes
r
q( ;k ;) o quantil de or-
dem (1-/2) da distribuio estatstica denominada studentized range com

parmetros k (nmero de tratamentos) e j = n k (graus de liberdade do resduo). Os valores de q, considerando a=0,01 e a=0,05, esto tabelados e so
encontrados em diversos livros de estatstica experimental.
A regra de deciso a habitual, ou seja:
Se yi yi (a ) , rejeita-se H 0 . Caso contrrio, no h rejeio.
Similarmente, pode-se apresentar o intervalo de confiana 100(1 a )%
para a diferena de mdias, cujos limites so dados por:
LI = ( yi yi ) q(;k ;)
QMRes
r
LS = ( yi yi ) + q(; k;)
QMRes
r
No exemplo relativo Tabela 1, tem-se

q(0,05;4 ;16) = 4, 05 ; logo, (5%) = HSD (5%) = 4, 05
7, 00
= 4, 79 .
5
Ou seja, o valor mnimo que expressa a diferena significante entre as mdias dos ganhos de peso da ordem de 4,79 unidades de peso. Neste sentido, as
28/05/2014 15:50:04
36
nicas diferenas 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 cientficos e biolgicos) de
apresentar os resultados est disposta na Tabela 2.8.
Tabela 2.8 Mdia e desvio padro do ganho de peso segundo a dieta
Dieta
A
23 (2,55)a(1)
27 (2,74)ab
26 (2,74)a
31 (2,55)b
HSD
4,79
(1) duas mdias seguidas de pelo menos uma mesma letra no diferem entre si (p>0,05) pelo teste de Tukey
2.10
EXERCCIOS (DIC COM DADOS BALANCEADOS)
A seguir so apresentados alguns exerccios para o entendimento do

planejamento experimental envolvido no DIC Balanceado (mesmo nmero de
repeties por tratamento) e tambm para o treinamento dos clculos abrangidos na tcnica da ANOVA e no teste de comparaes mltiplas de Tukey. As
respostas dos exerccios so apresentadas no prximo item.
1.
Para testar duas drogas diferentes usando grupo controle, um farmacologista pretende fazer um experimento com cobaias. Esto disponveis 24
cobaias, bastante similares. Como voc planejaria o experimento?
2.
Explique com detalhes o procedimento que voc faria para designar cinco
tratamentos (A, B, C, D, E) para 25 unidades experimentais (ratos) similares.
3.
Num laboratrio de biofsica so usados quatro voltmetros diferentes.

Para verificar se os quatro voltmetros esto igualmente calibrados, mediuse a mesma fora constante de 100 volts cinco vezes cada voltmetro. Os
28/05/2014 15:50:04
dados esto na tabela abaixo. Faa uma anlise de varincia e interprete o

resultado (considerar =0,05).
Voltagem segundo o voltmetro
Voltmetro
4.
117
115
118
125
120
110
123
121
114
116
119
123
119
115
122
118
115
114
118
118
Para detectar a presena de insetos daninhos nas plantaes, colocam-se

papeles untados com uma substncia pegajosa e examinam-se os insetos
capturados. Ao nvel de 5% de significncia, que cores atraem mais insetos? Os pesquisadores colocaram seus papeles de cada cor em posies
aleatrias em um campo de aveia, e contaram o nmero de insetos capturados.
Cor do papelo
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 varivel nmero de insetos (contagem) no apresenta distribuio normal (varivel discreta), para a anlise
dos dados considerar os valores observados sob a transformao raiz quadrada.
5.
Considere o seguinte quadro de ANOVA da PAM:

Fonte de variao
Entre Grupos
Intragrupos
Total
Soma Quadrados
GL
QM
800
33,33
2000
a.
Qual tipo de ANOVA est apresentado no quadro?
b.
Qual a concluso no nvel de 5% de significncia?
c.
Qual a redao cientfica mais adequada para a concluso sobre o resultado do teste estatstico empregado?
28/05/2014 15:50:05
38
6.
Considere as seguintes dosimetrias de mercrio no sangue (ppb) de grupos expostos em garimpos da Amaznia Legal (Ferrari et al., Revista de
Sade Ocupacional, v.20, n.75, p.54-60, 1992).
Grupo
Dosimetria Hg
Garimpeiros
24
19
25
23
13
Ribeirinhos
16
10
15
ndios
28
30
19
23
22
Controle
12
Verificar, considerando o nvel de significncia 5%, as diferenas entre as

respostas mdias dos grupos.
2.11 RESPOSTAS DOS EXERCCIOS (DIC COM DADOS BALANCEADOS)
1.
Cada grupo ( Controle, Droga 1 e Droga 2 ) ser composto de oito cobaias alocadas por processo aleatrio simples (casual ou randomizado ). A
varivel resposta ser comparada quanto s mdias dos grupos pela tcnica da ANOVA complementada com o teste de comparaes mltiplas de
Tukey, considerando o nvel de 5% de significncia.
2.
Os ratos so enumerados de 1 a 25 e, em uma urna so colocadas 25 etiquetas idnticas 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, so colocadas outras etiquetas enumeradas de 1
a 25, correspondente aos 25 ratos da pesquisa. Procede-se com a realizao de sorteios em ambas as urnas, formando 25 pares constitudos pelo
tratamento sorteado na primeira urna e o rato correspondente ao nmero
sorteado na segunda.
28/05/2014 15:50:05
3.
Tabela 1.
ANOVA para a fora dos voltmetros

Causa de variao
Tabela 2.
GL
SQ
QM
Voltmetro
150,00
50,00
7,41 (p<0,005)
Resduo
16
108,00
6,75
Total
19
258,00
Mdia (desvio padro) da fora segundo tipo de voltmetro

A
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.
Tabela 2.
ANOVA para a raiz quadrada do nmero de insetos capturados

Causa variao
GL
SQ
QM
Cor do papelo
33,72
11,24
43,57 (p<0,001)
Resduo
20
5,16
0,26
Total
23
38,88
Mdia (desvio padro) do nmero 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

(*) Varivel sob a transformao raiz quadrada
5. a.
b.
ANOVA para DIC balanceado (10 animais por grupo).

F= 266,67/33,33 = 8,00 (p < 0,001); portanto rejeita-se a hiptese de
ausncia de efeito de tratamentos.
c.
No nvel de 5% de significncia conclui-se que existe diferena entre as

mdias da PAM nos grupos estudados.
6.
Tabela 1.
ANOVA para a dosimetria de mercrio no sangue (ppb)

Causa variao
GL
SQ
QM
Grupo
871,20
290,40
17,47 (p<0,001)
Resduo
16
266,00
16,63
Total
19
1137,20
28/05/2014 15:50:05
40
Tabela 2.
grupo
Mdia (desvio padro) da dosimetria de mercrio no sangue segundo o
Garimpeiros
20,80 (4,92) b
Ribeirinhos
ndios
Controle
11,20 (4,09) a
24,40 (4,51) b
8,40 (2,30) a
DHS (5%) = 7,39
2.12 MODELO DO EXPERIMENTO DIC COM DADOS NO BALANCEADOS
Em algumas situaes, pode acontecer que o nmero de unidades experimentais disponvel no seja mltiplo do nmero de tratamentos que se pretende comparar ou, ainda, comear o experimento com dados balanceados e
algumas unidades, por algum motivo alheio vontade do pesquisador, tornarem-se perdidas para o experimento. Nessas situaes, os tratamentos podem
ficar com nmeros de repeties total ou parcialmente diferentes, ou seja, experimento com nmero diferente de repeties (dados no balanceados).
Talvez a primeira sugesto, com base no que j foi visto, seria descartar
utilizando critrios randmicos unidades experimentais para se ter os dados
balanceados nos tratamentos. Mesmo sendo, do ponto de vista da Estatstica
Experimental, melhor que todos os tratamentos apresentem o mesmo nmero
de parcelas (a anlise realizada por procedimento exato), a importncia biolgica das informaes das unidades experimentais mais imperativa que
a simplicidade dos clculos matemticos do procedimento e, neste sentido,
torna-se imprescindvel um comportamento mais requintado para a situao.
Nessa situao, o caminho mais prximo s caractersticas da biologia acaba sendo dado pelo procedimento anterior realizado com os dados balanceados, adaptando-se as frmulas dos clculos aos experimentos com dados nobalanceados. Esta nova maneira faz com que o processo exato seja direcionado
forma aproximada.
28/05/2014 15:50:05
Portanto, a teoria desenvolvida no DIC balanceado passa a ser explicitada

com pequenas modificaes nas somas de quadrados e no procedimento de
Tukey.
Tem-se:
ri
2
SQTot = yij2 ny
, onde ri consiste nas repeties do i-simo tratai=1 j=1
k
ri
mento e y = 1 yij
n
k
i=1 j=1
2
i
SQTrat =
i=1
ri
y
ny2
ri
ri
yi = yij
j=1
SQRes = yij2 yrii = SQTot SQRes .

i=1 j=1
i=1
O quadro da ANOVA permanece o mesmo do DIC para dados balanceados.

Em relao ao teste de Tukey, calcula-se
k
Se yi yi ii (a ) , rejeita-se a hiptese de igualdade de mdias. Caso

contrrio, no h rejeio.
A Tabela 2.9 mostra os ganhos de peso (kg) no final do experimento realizado para comparar trs raes comerciais em um lote de animais (sunos)
homogneos (PADOVANI, 2002).
28/05/2014 15:50:05
42
Tabela 2.9 Ganho de peso (kg) segundo rao
Rao
Ganho de Peso
7,12
6,91
6,30
6,72
8,15
8,45
8,92
9,15
6,58
7,04
6,46
7,12
6,68
6,80
7,06
r1 = 6; r2 = 4; r3 = 5; n = 15
y1 = 40, 53 ; y2 = 34, 67 ; y3 = 34, 26 ; y = 109, 46 ; y = 7, 2973
SQTot = 810, 3948 157, 29732 = 810, 3948 798, 7588 = 11, 6360
SQTrat =
40, 532 34, 672 34, 262

+
+
798, 7588 = 809, 0319 798, 7588 = 10, 2731
6
4
5
Tabela 2.10
Quadro da ANOVA do ganho de peso

Causa Variao
GL
SQ
QM
Rao
10,2731
5,1366
42,22 (P<0,001)
Resduo
12
1,3629
0,1136
Total
14
11,6360
Coeficiente de Variao do experimento: CV = 100

Coeficiente de Determinao: R2 =
0,1136
% = 4, 62%
7, 2973
10, 2731
= 0, 8829 (88, 29%)
11, 6360
Teste de Tukey
a = 0, 05 ; k = 3 (tratamentos); =12 (graus de liberdade do resduo)
ii = 3, 77
0,1136 1 1
r +r
+ = 0, 8985 i i
2 ri ri
ri ri
12 = 0, 580 ; 13 = 0, 544 ; 23 = 0, 603

y1 y2 = 6, 755 8, 6675 = 1, 9125 > 12 ( A B )
y1 y3 = 6, 755 6, 852 = 0, 097 < 13 ( A = C )
y2 y3 = 8, 6675 6, 852 = 1, 8155 > 23 ( B C )
A Tabela 2.11 mostra a mdia e o desvio padro do ganho de peso segundo

a rao comercial administrada.
28/05/2014 15:50:05
Tabela 2.11
Mdia e desvio padro do ganho de peso segundo rao
Rao A
Rao B
Rao C
6,755(0,273)a(1)
8,668(0,452)b
6,852(0,307)a
(1) duas mdias seguidas de uma mesma letra no diferem (P>0,05) pelo teste de Tukey.
2.13 EXERCCIOS (DIC NO BALANCEADO)
1.
Para testar duas drogas diferentes usando grupo controle, um farmacologista pretende fazer um experimento com cobaias. Esto disponveis
24 cobaias, bastante similares. Discuta o uso de grupos com diferentes
repeties.
2.
Considere as seguintes dosimetrias de mercrio no sangue (ppb) de grupos expostos em garimpos da Amaznia Legal (Ferrari et al., Revista de
Sade Ocupacional, v.20, n.75, p.54-60, 1992).
Grupo
Dosimetria Hg
Garimpeiros
24
19
25
23
Ribeirinhos
13
10
12
ndios
28
30
24
26
Controle
10
18
25
Verificar, considerando o nvel de significncia 5%, as diferenas entre as

respostas mdias dos grupos.
3.
Considerar as seguintes avaliaes nasomtricas

[nasalncia(%)=100*(energia acstica nasal) / (energia acstica nasal+energia otoacstica oral)]
do vocbulo papai isolado e inserido em frase (Di Ninno et al., Revista de

Atualizao Cientfica PR-FONO, v.13, n.1, p.71-77, 2001)
28/05/2014 15:50:14
44
4.
Faixa Etria
Nasalncia (%)
Criana
10,5
11,6
12,3
8,9
9,2
9,6
10,9
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
11,0
Considerando o nvel de significncia 5%, avaliar as diferenas entre as

respostas mdias das nasalncias.
2.14 RESPOSTAS DOS EXERCCIOS (DIC NO BALANCEADO)
1.
Do ponto de vista biolgico, o grupo controle (animais que recebem o

placebo, ou seja, soro fisiolgico por exemplo) o referencial das comparaes (padro de referncia 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 variao
Tabela 2.
GL
SQ
QM
Grupos
1030,50
343,50
56,22 (p<0,001)
Resduo
14
85,50
6,11
Total
17
1116,00
Mdia (desvio padro) da dosimetria segundo grupo

Garimpeiro
Ribeirinho
ndio
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 (G x I) = 4,54
DHS (G x C) = 4,82
DHS (R x I) = 4,82
DHS (R x C) = 5,08
DHS (I x C) = 4,82
3.
Tabela 1. Quadro da ANOVA da nasalncia
Causa variao
GL
SQ
QM
Faixas Etrias
256,01
128,01
49,81 (p<0,001)
Resduo
18
46,28
2,57
Total
20
302,29
28/05/2014 15:50:14
Tabela 2.
Mdia (desvio padro) da nasalncia segundo faixa etria
Criana
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
28/05/2014 15:50:14
28/05/2014 15:50:14
DELINEAMENTO EM BLOCOS COMPLETOS

CASUALIZADOS (DBCC)
3.1
INTRODUO
Quando o conjunto de unidades experimentais for relativamente heterogneo (pequenos grupos de unidades similares, mas nenhum suficientemente
grande para um planejamento), o plano experimental inteiramente casualizado
torna-se pouco preciso, porque o erro experimental torna-se muito grande. A
partir das informaes disponveis, antes da realizao do experimento, possvel agrupar as unidades experimentais em subconjuntos de unidades mais homogneas, denominados blocos. A alocao das unidades experimentais entre
os tratamentos obedece a uma restrio imposta pelos blocos, ou seja, o procedimento de casualizao dos tratamentos s unidades experimentais realizado
dentro de cada bloco. Quando todos os tratamentos aparecerem em todos os
blocos uma nica vez, tem-se o Delineamento em Blocos Completo. Toda vez
que os tratamentos tornam-se presentes uma nica vez em cada bloco, o nmero
de blocos coincide com o nmero de repeties (Banzatto & Kronka, 2006). Deve
ser observado, inclusive por possvel confuso de nome, que a aleatorizao est
sendo realizada nos tratamentos dentro dos blocos (restrio na casualizao).
Na anlise estatstica de um experimento em blocos casualizados, ou como
normalmente se diz, um experimento em blocos, alm dos fatores de interesse,
deve-se levar em conta o fator de controle experimental, blocos, diminuindo
desta maneira o erro experimental. Quanto maior for a heterogeneidade entre
blocos, maior ser a eficincia deste plano experimental em relao ao completamente aleatorizado. O delineamento em blocos tambm pode ser planejado
com repeties dos tratamentos dentro do bloco e alm disso, de forma incom-
28/05/2014 15:50:14
48
pleta. A anlise estatstica do delineamento em blocos completos ao acaso com

repeties torna-se relativamente fcil quando o nmero de unidades dentro
de cada bloco mltiplo do nmero de tratamentos em comparao.
O termo bloco (sua origem de fato agronmica, cujo objetivo referia-se
a faixa de terra de mesma fertilidade fertilidade homognea) tem um sentido prtico interessante na rea biolgica, ou seja, caracteriza-se como estrato
e tem como finalidade, o controle da homogeneidade dos animais quanto s
variveis intervenientes.
No presente estudo os blocos so completos quanto aos tratamentos, isto
, um bloco possui todos os tratamentos de interesse do estudo, alocados por
processo aleatrio com uma repetio por bloco. A vantagem mais destacada
dos experimentos em blocos consiste em permitir o uso de unidades experimentais heterogneas. Os blocos controlam uma causa de variao e estabelecem uma restrio casualizao. Essa restrio casualizao devido
constituio dos blocos indica para a no realizao do teste estatstico para a
causa de variao blocos, ou seja, no faz sentido, pois se trata de uma fonte de
variao de controle e no de interesse para a comparao. Se a fonte colocada
como blocos est no interesse do pesquisador para comparao, o esquema de
fatores torna-se o procedimento adequado para a combinao dos nveis dos
dois fatores em estudo.
Em resumo, podem ser destacados:
a.
A casualizao ocorre dentro dos blocos (os blocos so estratos definidos

quanto heterogeneidade das unidades experimentais e, portanto fixados
como controles).
b.
Os blocos so completos quanto aos tratamentos pesquisados (cada bloco

deve conter todos os tratamentos do estudo).
c.
essencial que os blocos renam unidades similares (unidades semelhantes

dentro de blocos asseguram aos tratamentos nica fonte de variao).
28/05/2014 15:50:14
Delineamento em Blocos Completos Casualizados (DBCC) | 49
d.
Quanto maior a heterogeneidade entre blocos maior a eficincia do delineamento (a perda de heterogeneidade entre blocos indica a falta da necessidade de controle local).
e.
O tratamento aparece uma nica vez dentro de cada bloco (razo de ser
denominado completo).
f.
Os experimentos em blocos so feitos, essencialmente, para comparar

tratamentos (os blocos no so construdos para teste estatstico, mas
como necessidade de controle).
g.
No deve ser feito o teste estatstico de blocos (blocos so utilizados como

fonte de controle da heterogeneidade, sem qualquer interesse de comparao).
h.
Fazer blocos significa impor uma restrio como controle s unidades experimentais (a designao casual dos tratamentos s unidades experimentais dentro de cada bloco).
i.
Exemplos biolgicos de blocos: posio na estufa, ninhada, faixa de idade,

faixa de peso, uma partida de animais (lote), entre outros.
3.2 MODELO DO EXPERIMENTO (BIOLGICO)
O modelo de DBCC com k tratamentos e t blocos dado por:

yij = i + j + ij (i = + i ; i = 1,..., k; j = 1,..., t ) ; onde:
m a mdia geral comum a todas as observaes;

ti o efeito do i-simo nvel do fator na varivel dependente Y ;
b j o efeito do j-simo bloco experimental;
eij o erro casual no observvel (independente e identicamente distribu-
do com N (0,s 2 ) ).
Neste sentido, para o modelo de efeitos fixos, tem-se:
a)
E (Yij ) = + i + j ;
b)
Var (Yij ) = s 2 ;
28/05/2014 15:50:14
50
c)
Yij ~ N (i + i + j , 2 ) .
3.3 PROCEDIMENTO ESTATSTICO: ANLISE DE VARINCIA
Todas as consideraes realizadas para o DIC so tambm vlidas para o

DBCC (independncia dos erros; varincias homogneas e normalidade dos
dados).
Considere o seguinte conjunto de pesos de carcaas (kg) de coelhos (Tabela 3.1) no acabamento segundo o tipo de dieta randomizada oferecida aos
animais.
Tabela 3.1
Peso de carcaas (kg) de coelhos segundo dieta
Dieta
Raa
Norfolk
Angor I
Angor II
Nova Zelndia I
Nova Zelndia II
Padro
1,28
1,08
1,06
1,36
1,19
Padro+Rami
1,45
1,15
1,28
1,50
1,41
Padro+Alfafa
1,38
1,08
1,17
1,43
1,26
Padovani, C. R. (2002). Exerccios de Estatstica Bsica e Experimental. Depto. Bioestatstica, IB/UNESP, Botucatu-SP, 40p.
Cada peso de carcaa (kg) uma resposta biolgica do sorteio de trs dietas dentro dos conjuntos de trs animais tornados homogneos pelas raas,
cujo resultado biolgico responde ao modelo:
yij = + i + j + ij , com i =1,..., k (tratamentos) e j =1,..., t (blocos).
Neste modelo, a tcnica da ANOVA consiste em fracionar a SQTotal em

trs fontes de variao: a primeira referente aos tratamentos ( SQTrat ), a segunda relativa aos blocos ( SQBloco ) e, por fim, a expressa nas flutuaes casuais ( SQRes ).
Para a construo da tabela geral de ANOVA segundo as causas de variao so determinados:
28/05/2014 15:50:18
a) Graus de liberdade (GL)

Total = n 1 = kt 1 , onde n = kt ;
Tratamento = k 1 ;
Bloco = t 1 ;
Resduo = (t 1)(k 1) .
b) Somas de quadrados (SQ)

k
t
k
t
1 k t
2
SQTot = ( yij y ) = yij2 ny2 ; onde y = yij ;
n
i=1 j=1
i=1 j=1
i=1 j=1
1 t
y
2
2
y
=
;
onde
yij ;
i
SQTrat = ( yi y ) = ny
t j=1
i=1 t
i=1 j=1
k
t
t y2
1 k
2
j
SQBloc = ( y j y ) =
ny2 ; onde y j = yij ;
k i=1
i=1 j=1
j=1 k
k
2
i
SQRes = SQTot SQTrat SQBloc .
c) Quadrados mdios (QM)

QMTrat = SQTrat (k 1)
QMBloco = SQBloco (t 1)
QMRes = SQRes (k 1)(t 1)
d) Estatstica F
F = QMTrat QMRes
As quantidades obtidas so dispostas na Tabela 3.2 da ANOVA.

Tabela 3.2
Tabela geral de ANOVA de um DBCC
Causa de variao
GL
SQ
QM
Blocos
t -1
SQBloc
QMBloc
Tratamentos
k -1
SQTrat
QMTrat
QMTrat QMRes
(t 1)(k 1)
SQRes
QMRes
tk -1
SQTot
Resduo
Total
28/05/2014 15:50:22
52
O teste de hiptese relativo Tabela 3.2 consiste em:

H0: No existe efeito de tratamento H1:t1=tk=...=0 H0 : m1=...=mk=m
H1 : Existe efeito de tratamento H 0 : Existe ti 0 (i = 1,..., k )
Sob a veracidade de H 0 , a estatstica F = QMTrat tem distribuio F
QMRes
(Fisher-Snedecor) com parmetros (k -1) (graus de liberdade do numerador)
e (t -1)(k -1) (graus de liberdade do denominador).

A regra de deciso a habitual, ou seja:
Se F F(a;k1;(t1)(k1)) , rejeita-se H 0 . Caso contrrio, no h rejeio.
No exemplo, tem-se:
k = 3 (tratamentos) e t = 5 (blocos);
y =19, 08 , logo, y = 19, 08 15 = 1, 272 ;
SQTot = 24, 5678 24, 2698 = 0, 2980 ;
y1 = 5, 97( y1 = 1,194) ; y2 = 6, 79( y2 = 1, 358) ; y3 = 6, 32( y3 = 1, 264)
SQTrat = 24, 3375 24, 2698 = 0, 0677
y1 = 4,11 ; y2 = 3, 31 ; y3 = 3, 51 ; y4 = 4, 29 ; y5 = 3, 86 ;
SQBloc = 24, 4907 24, 2698 = 0, 2209 ;
SQRes = 0, 2980 0, 2209 0, 0677 = 0, 0094
A Tabela 3.3 apresenta o resultado da ANOVA.

Tabela 3.3
Tabela ANOVA para o peso das carcaas
Causa Variao
GL
SQ
QM
Blocos
0,2209
0,0552
Tratamentos
0,0677
0,0339
Resduo
0,0094
0,0012
Total
14
0,2980
F (valor p)
28,25 (p<0,01)
Conclui-se, no nvel de 5% de significncia, que existem diferenas entre

os pesos mdios de carcaas dos coelhos segundo as dietas estudadas.
28/05/2014 15:50:36
3.4
COMPARAES MLTIPLAS
O procedimento de comparaes mltiplas de Tukey para o DBCC consiste nos seguintes passos:
H 0 : i i = 0 e H1 : i i 0 , para i i .
Calcula-se a Honestly Significante Diference

HSD (a ) = (a ) = q(a ;k ;(t 1)(k1))
QMRes , onde t o nmero de repetio de

t
tratamentos (coincide com o nmero de blocos) e q(;k ;) o quantil de ordem

(1-a/2) da distribuio studentized range com parmetros k (nmero de
tratamentos) e j = (t 1)(k 1) (graus de liberdade do resduo).
A regra de deciso do teste de hipteses a habitual, ou seja:
Se yi yi (a ) , rejeita-se H 0 . Caso contrrio, no h rejeio.
Similarmente, pode-se apresentar o intervalo de confiana de Tukey
100(1-a)% para a diferena de mdias, cujos limites so dados por:
LI = ( yi yi ) q(;k ;)
QMRes
,
t
LS = ( yi yi ) + q(;k ;)
QMRes .
t
No exemplo relativo aos dados do peso das carcaas tem-se:

q(0,05;3;8) = 4, 04 ; logo, (5%) = 4, 04 0, 0012 = 0, 063 .
5
Ou seja, o valor mnimo que expressa a diferena significante =0,05 entre

os pesos mdios das carcaas 0,063kg. Os resultados das comparaes esto
expressos na Tabela 3.4.
Tabela 3.4
Mdia e desvio padro dos pesos segundo dieta
Dieta Padro
Padro Suplementao Rami
Padro Suplementao Alfafa
1,194(0,128)a
1,358(0,142)c
1,264(0,145)b
28/05/2014 15:50:48
54
Conclui-se, no nvel de 5% de significncia, que as dietas modificam o peso

mdio da carcaa dos coelhos e que entre elas, a dieta suplementada com rami
produz maior peso mdio.
3.5 EXERCCIOS (DBCC)
A seguir so apresentados exerccios sobre o Delineamento em Blocos

Completamente Casualizados contendo planejamento, tcnica da anlise de
varincia, teste de comparaes mltiplas e, em especial, o ltimo para aprofundamento das consideraes apresentadas no captulo.
1.
Planeje um experimento para comparar dois testes de QI, usando dez pares
de gmeos. Considere cada par de gmeos como um bloco.
2.
Faa a anlise de varincia dos dados apresentados na tabela a seguir, considerando o nvel de 5% de significncia:
Dados de um experimento em blocos ao acaso
Bloco
3.
Tratamento
A
74
53
58
II
90
68
78
III
78
54
64
IV
98
72
74
Pretende-se verificar a durabilidade de trs marcas de tintas que tem preos

de custo bem diferentes. Para isso, foram selecionados seis muros, em que
cada tera parte foi pintada por uma marca sorteada nos teros. Aps um
perodo de dez meses, foi atribuda a cada parte uma nota, resultante de
vrios quesitos. Os resultados das notas so apresentados a seguir:
Marca
Muro 1
Muro 2
Muro 3
Muro 4
Muro 5
Muro 6
8,5
8,9
8,8
8,2
8,6
8,9
9,1
9,4
9,1
9,6
9,0
9,3
7,3
7,6
7,8
7,5
6,1
7,2
28/05/2014 15:50:48
Com esses dados, voc diria (=0,05) que uma das marcas melhor que
as outras?
4.
Supondo que haja interesse em calcular F =
QMBloco
em um experiQMRes
mento, qual a interpretao biolgica que sugere o resultado significativo

(p<0,05)? E o no significativo (p>0,05)?
3.6 RESPOSTAS DOS EXERCCIOS (DBCC)
1.
Considerando 10 pares de gmeos (G1, G2), para cada par ser efetuado o
sorteio dos dois testes de QI. Neste sentido, constitudos os pares por processo randomizado dos testes de QI os dados coletados nos gmeos sero
submetidos tcnica da anlise de varincia para o modelo experimental
em blocos completamente casualizados (10 blocos no presente estudo) envolvendo dois tratamentos independentes (dois testes de QI).
2.
Tabela 1.
Tabela ANOVA
C. Variao
Tabela 2.
GL
SQ
QM
Blocos
847,58
282,53
Tratamentos
1144,50
572,25
71,26 (p<0,001)
8,03
Resduo
48,17
Total
11
2040,25
Mdia (desvio padro) dos tratamentos

A
85,00 (11,02) b
61,75 (9,67) a
68,50 (9,15) a
DHS (5%)=7,47
28/05/2014 15:50:48
56
3.
Tabela 1.
ANOVA para a durabilidade

C. Variao
Tabela 2.
GL
SQ
QM
Blocos (Muro)
1,04
0,21
F
-
Tratamentos (Marca)
12,64
6,32
45,14 (p<0,001)
Resduo
10
1,41
0,14
Total
17
15,09
Mdia (desvio padro) das marcas

A
8,65 (0,27) b
9,25 (0,23) c
7,25 (0,60) a
DHS (5%)=0,59
4.
Se o resultado do teste estatstico for significativo (p < 0,05) existe comprovao biolgica de heterogeneidade entre os blocos, corroborando com
a suspeita do pesquisador no controle fonte de variao bloqueada. Se o
resultado do teste estatstico for no significativo (p > 0,05) existe comprovao biolgica de homogeneidade entre os blocos, contradizendo com a
suspeita do pesquisador no controle fonte de variao bloqueada.
28/05/2014 15:50:49
ESQUEMAS FATORIAIS
4.1 INTRODUO
Existem situaes prticas na experimentao em que o interesse do pesquisador envolve o estudo de dois ou mais fatores combinados, cujos cruzamentos dos nveis dos fatores so os tratamentos empenhados nas comparaes. No presente texto, ser apenas enfocado o caso de dois fatores, ou seja, A
e B. Ser admitido que o fator A possui a nveis, e o fator B, b nveis.
Nos experimentos onde cada nvel de um fator est combinado com todos os nveis do outro, diz-se que os fatores obedecem a uma classificao
cruzada (experimentos cruzados). As combinaes desses fatores resultam os
tratamentos do estudo, cuja configurao recebe o nome de esquema fatorial
a*b (combinaes entre os a nveis do fator A e b nveis do fator B).
O esquema de fatores mais simples consiste em considerar dois fatores A
e B, com dois nveis cada um, isto , o esquema fatorial 2*2. No esquema fatorial dois por dois, Tabela 4.1, tem-se como resultado das combinaes quatro
tratamentos, que so combinaes de dois nveis do fator A com dois nveis
do fator B.
Tabela 4.1 Esquema fatorial 2*2
Fator A
Fator B
B1
B2
A1
A1 B1
A1 B2
A2
A2 B1
A2B2
Outras combinaes dos fatores podem surgir medida que o nmero de

nveis dos fatores tornam-se maiores. Ademais, o nmero de nveis dos fatores
no precisa ter o mesmo valor, ou seja, os nveis a do fator A podem ser nu-
28/05/2014 15:50:49
58
mericamente diferente dos nveis b do fator B. Quando a=b, tem-se um arranjo

quadrtico e, se ab, o arranjo retangular. Uma notao interessante que se
utiliza quando o nmero de nveis igual para os dois fatores (a=b; arranjo
quadrtico) e descrita por 22, 32, 42,... O expoente indica o nmero de fatores
do estudo e a base da potncia indica o nmero de nveis dos fatores. Por exemplo, um fatorial 32 tem dois fatores em trs nveis.
Trs hipteses bsicas so avaliadas no esquema fatorial a*b, que so: i) a
interao (A*B) entre os fatores A e B; ii) o efeito do fator principal A e iii) o
efeito do fator principal B. Dependendo do resultado do teste de significncia
da interao A*B, duas novas hipteses podem ser avaliadas: i) efeito do fator A
dentro de um nvel fixo de B e ii) efeito do fator B dentro de um nvel fixo de A.
Como o esquema fatorial um arranjo dos nveis dos fatores (combinaes de nveis) ele pode ser delineado em vrios tipos de experimentos. No
enfoque do texto, o esquema fatorial a*b ser apresentado no Delineamento
Inteiramente Casualizado (DIC) e no Delineamento em Blocos Completos Casualizados (DBCC).
4.2 ESQUEMA FATORIAL A*B NO DIC
Considere a Tabela 4.2, genrica de observaes yijk de um esquema fatorial a*b em um DIC com r repeties por tratamento.
28/05/2014 15:50:49
Esquemas Fatoriais | 59
Tabela 4.2
Esquema fatorial a*b com r repeties
Fator A
Fator B
B1
Bb
A1
y111
y11r
y1b1
y1br
Aa
ya11
ya1r
yab1
yabr
O elemento yijk representa a k-sima repetio do i-simo nvel do fator A

e j-simo nvel do fator B ( i = 1,, a; j = 1,, b; k = 1,, r ).
O modelo de resposta expresso por:
yijk = + i + j + ( )ij + ijk ;
onde:
m: efeito mdio comum;
qi : efeito do i-simo nvel de A;
g j : efeito do j-simo nvel de B;
( )ij : efeito de interao entre os nveis i e j dos fatores A e B, respectiva-
mente;
eijk : erro casual independente, com distribuio N (0,s 2 ) .
Considerando os fatores A e B de efeitos fixos, tem-se a Tabela 4.3 da

ANOVA.
28/05/2014 15:50:50
60
Tabela 4.3 Tabela geral de ANOVA para um esquema fatorial a*b no DIC
Causa de variao
GL
SQ
QM
ab-1
SQTrat
QMTrat
FTrat
a -1
SQA
QMA
FA
b-1
SQB
QMB
FB
(a 1)(b 1)
SQA B
QMA B
FAB
ab(r 1)
SQRes
QMRes
abr -1
SQTot
Tratamentos
B
AxB
Resduo
Total
Desmembramento
da
SQTratamentos
Os clculos das somas de quadrados so estabelecidos por:

a
2
2
SQTot = yijk
ny
, onde y =
i=1 j=1 k =1
2
a
b
ij
SQTrat =
i=1 j=1
1 a b r
yijk e n = abr ;
n i=1 j=1 k=1
2
ny
, onde yij = yijk ;
k =1
SQRes = SQTot SQTrat

b
r
yi2
2
ny
, onde yi = yijk ;
j=1 k =1
i=1 br
a
r
b y2
j
2
y j = yijk ;
SQB =
ny
i=1 k =1
j=1 ar
a
SQA =
SQAxB = SQTrat SQA SQB
A obteno dos quadrados mdios realizada pela diviso entre a soma de

quadrados e os respectivos graus de liberdade.
Em relao aos testes de hipteses, que sero apresentados a seguir, duas
situaes interessantes para a discusso biolgica devem ser consideradas: a
primeira consiste no caso onde os efeitos dos fatores A e B na varivel resposta
(dependente) sero aditivos e, portanto, toda a informao biolgica pode ser
obtida fazendo-se inferncias apenas sobre as mdias mi e mj (mdias marginais); a segunda, onde existe efeito da interao entre os fatores A e B; onde para
28/05/2014 15:50:57
avaliar os efeitos existentes na varivel dependente, as inferncias devem ser

feitas sobre todos os mij.
As hipteses gerais com os respectivos testes estatsticos acompanhados
das regras de deciso so estabelecidas conforme detalhes na sequncia.
H 0A : No existe efeito do fator A 1 = 2 = = a = 0
H 0A a estatstica do teste dada por
QMA
FA =
~F
j = ab(r 1) .
QMRes (a 1,res ) , com a regra de deciso habitual e res
H 0B : No existe efeito do fator B g1 = g2 = = gb = 0
Sob a veracidade de H 0 a estatstica do teste dada por

B
QMB
FB =
~F
, com a regra de deciso habitual.
QMRes (b 1,res )
H 0AxB : No existe efeito de interao AxB ( )11 = = ( )ab = 0
Sob a veracidade de H 0
AxB
a estatstica do teste dada por
QMAB
FAxB =
~ F((a 1)(b 1);res ) , com a regra de deciso habitual.
QMRes
Toda vez que o resultado de algum teste de hipteses possibilitar a rejeio

da hiptese nula, para melhorar a qualidade da informao biolgica, torna-se
interessante complementar a tcnica da ANOVA com algum procedimento de
comparaes mltiplas para as mdias. No caso, como j vem sendo rotina, a
continuidade tem sido realizada pelo teste de Tukey para os contrastes entre
todos os pares de mdias. Neste sentido, duas consideraes sero apresentadas; a primeira normalmente utilizada quando o resultado do teste de interao entre os fatores A e B mostrou-se no significante; a segunda, quando o
resultado foi significante.
Teste de Tukey para o caso FAxB no significante ( pAxB > a )
H 0A : i = i (i, i = 1,..., a ) no existe diferena entre as respostas mdias
dos nveis i e i do fator A.

Calcula-se DMSA () = A () = q( ;a ;
res
QMRes
e se yi yi A (a ) ,
br
rejeita-se a hiptese H 0 . Caso contrrio, no h rejeio.

A
28/05/2014 15:51:11
62
H 0B : j = j ( j, j = 1,..., b) no existe diferena entre as respostas mdias
dos nveis j e j do fator B.

Calcula-se DMSB ( ) = B () = q( ;b;
res
QMRes
e se y j y j B (a ) ,
ar

B
Teste de Tukey para o caso FAxB significante ( pAxB < a )

H 0A/B j : ij = i j (i, i = 1,..., a e j fixo) no existe diferena entre as respos-
tas mdias dos nveis i e i do fator A dentro do j-simo nvel do fator B.

Calcula-se DMSA/ B () = A/ B ( ) = q( ;a ;
res
rejeita-se H 0
A/ B j
QMRes
e se yij yi j A/ B (a ) ,
r
. Caso contrrio, no h rejeio.
H 0B/Ai : ij = ij ( j, j = 1,..., b e i fixo) no existe diferena entre as respos-
tas mdias dos nveis j e j do fator B dentro do i-simo nvel do fator A.

Calcula-se DMSB/ A ( ) = B/ A ( ) = q(;b;
res
rejeita-se H 0
B / Ai
QMRes
e se yij yij B/ A (a ) ,
r
4.3 EXEMPLO DE FATORIAL A*B NO DIC
Considere o seguinte conjunto de dados de um esquema fatorial 2x2 em

um delineamento inteiramente casualizado para avaliar o perfil cardiovascular
de ratos hipertensos submetidos a uma dieta hipercalrica (OLIVEIRA Jr, et
al., 2007, Arquivos Brasileiros de Cardiologia, v.89, Supl I, p.927).
Os dois fatores de interesse do estudo so Dieta e Hipertenso, tendo como
varivel resposta escolhida para o desenvolvimento do exemplo a Presso Arterial Sistlica.
Fator A(Dieta): A1(Normocalrica) e A2(Hipercalrica);
Fator B(Hipertenso): B1(WKY-Controle) e B2(SHR-Hipertenso);
Isto :
28/05/2014 15:51:15
Hipertenso
Dieta
Ausente(WKY)
Presente(SHR)
Normocalrica(C)
WKYC(A1B1)
SHRC(A1B2)
Hipercalrica(OB)
WKYOB(A2B1)
SHROB(A2B2)
Presso arterial sistlica (mm Hg) dos ratos

WKYC
WKYOB
SHRC
SHROB
130
120
160
210
120
130
158
205
110
125
162
206
112
140
152
215
128
135
168
214
y11 = 120, 00 9, 06
y12 = 160, 00 5, 83
y21 = 130, 00 7, 91
y22 = 210, 00 4, 53
Quadro auxiliar para o clculo das SQ

B(Hipertenso)
A
(Dieta)
B1 (WKY)
B2 (SHR)
Total
(Fator A)
A1 (C)
600
800
1400
A2 (OB)
650
1050
1700
Total
(Fator B)
1250
1850
3100
a = 2 ; b = 2 ; r = 5 ; n = 20
y = 155, 00
A seguir so calculadas as somas de quadrados para construo da tabela

de ANOVA para o esquma fatorial no DIC.
SQTot = 1302 + + 2142 20155, 002 = 505796, 00 480500, 00 = 25296, 00
2
SQTrat =
600
8002 650 10502
+
+
+
20155, 002 = 505000, 00 480500, 00 = 24500, 00
5
5
5
5
SQRes = 25296, 00 24500, 00 = 796, 00

2
1400 1700
+
20155, 002 = 485000, 00 480500, 00 = 4500,000
25
25
2
2
1250 1850
SQB =
+
20155, 002 = 498500, 00 480500, 00 = 18000, 00
25
25
SQAxB = SQTrat SQA SQB = 2000, 00
SQA =
A Tabela 4.4 mostra o resultado da ANOVA.
28/05/2014 15:51:22
64
Tabela 4.4
ANOVA para a PAS (mm Hg) dos ratos
Causa de Variao
GL
SQ
QM
Tratamento
24500,00
8166,67
164,15 (p<0,01)
A (Dieta)
4500,00
4500,00
90,45 (P<0,01)
B (Hipertenso)
18000,00
18000,00
361,81 (p<0,01)
AxB
2000,00
2000,00
40,20 (p<0,01)
Resduo
16
796,00
49,75
Total
19
25296,00
Como o resultado do teste de interao entre os fatores A e B foi significante (p<0,01), o procedimento de comparaes mltiplas ser efetuado considerando o estudo do fator A fixado o nvel de B e, vice-versa.
DMSA/ B j (1%) = A/ B j (1%) = q(1%;2;16)
QMRes
49, 75
= 4,13
= 13, 03 mm Hg
5
5
DMSB / Ai (1%) = B / Ai (1%) = q(1%;2;16)
QMRes
49, 75
= 4,13
= 13, 03 mm Hg
5
5
das mdias e os desvios padro da hipertenso segundo dieta com as significncias das comparaes mltiplas (Teste de Tukey).
Tabela 4.5 Mdia e desvio padro da PAS (mm Hg) segundo dieta e hipertenso
Dieta
Hipertenso
Ausente
Presente
Normocalrica
120,00(9,06) a(1)A(2)
160,00(5,83) a B
Hipercalrica
130,00(7,91) a A
210,00(4,53) b B
(1) duas mdias seguidas de uma mesma letra minscula no diferem (p>0,01) quanto s respectivas dietas dentro da classe
de hipertenso.
(2) duas mdias seguidas de uma mesma letra maiscula no diferem (p>0,01) quanto s classes de hipertenso dentro da
dieta em considerao.
28/05/2014 15:51:27
Esquemas Fatoriais |
65
4.4 ESQUEMA FATORIAL A*B NO DBCC
Considere a observao yijk de um esquema com dois fatores A (com a

nveis) e B(com b nveis) com os tratamentos casualizados em t blocos completos (fator fixo de controle).
O modelo de resposta expresso por:
yijk = + i + j + ( )ij + k + ijk ;
onde:
m: efeito mdio comum;
qi : efeito do i-simo nvel de A ( i =1,, a );
g j : efeito do j-simo nvel de B ( j =1,, b );
( )ij : efeito de interao entre os nveis i e j dos fatores A e B, respectiva-
mente;
bk : efeito do k-simo nvel de bloco ( k =1,, t );
eijk : erro casual independente, com distribuio N (0,s 2 ) .
A disposio geral das observaes pode ser feita conforme Tabela 4.6 a
seguir.
Tabela 4.6
Quadro genrico de um experimento em DBCC
Bloco
Tratamento
A1B1
A1Bb
AaB1
AaBb
Bloco 1
Y111
y1b1
ya11
yab1
Bloco 2
Y112
y1b2
ya12
yab2
Y11t
y1bt
ya1t
yabt
Bloco t
Como anteriormente (DIC), considerando os fatores A e B fixos tem-se, a

seguir, na Tabela 4.7 ANOVA para o esquema fatorial a*b no DBCC.
28/05/2014 15:51:28
66
Tabela 4.7
Tabela geral de ANOVA para um esquema fatorial a*b em DBCC
Causa de
Variao
GL
SQ
QM
t -1
SQBloc
QMBloc
ab-1
SQTrat
QMTrat
FTrat
a -1
SQA
QMA
FA
b-1
SQB
QMB
FB
(a 1)(b 1)
SQA B
QMA B
FAB
(ab 1)(t 1)
SQRes
QMRes
abt -1
SQTot
Blocos
Tratamentos
Resduo
Os clculos das somas de quadrados so estabelecidos por:

a
1
2
2
SQTot = yijk
ny
, onde y = yijk e n = abt ;
n i=1 j=1 k=1
i=1 j=1 k =1
a
SQTrat =
i=1 j=1
2
t
k
SQBloc =
k =1
yij2
t
2 , onde y ij = yijk ;
ny
k =1
a
yk = yijk ;
y
2
ny
ab
i=1 j=1
SQRes = SQTot SQTrat SQBloc

a
SQA =
i=1
b
y2 j
j=1
at
SQB =
yi2
2
, onde yi = yijk ;
ny
j=1 k =1
bt
2
ny
y j = yijk ;
i=1 k =1
SQAxB = SQTrat SQA SQB
A obteno dos quadrados mdios realizada pela diviso entre as somas

de quadrados e os respectivos graus de liberdade.
As ponderaes sobre os testes de hipteses so as mesmas realizadas no
DIC, cujas hipteses gerais so estabelecidas por:
H 0A : No existe efeito do fator A q1 = q2 = = qa = 0
28/05/2014 15:51:34

A
QMA
FA =
~F
, com a regra de deciso habitual (rejeita-se H 0A quanQMRes (a 1;res )
do FA > F( ;a 1;res ) )) e jres = (ab 1)(t 1) .
H 0B : No existe efeito do fator B g1 = g2 = = gb = 0

B
QMB
~F
, com a regra de deciso habitual.
QMRes (b 1,res )
H 0AxB : No existe efeito de interao AxB ( ) = = ( ) = 0
11
ab
FB =
Sob a veracidade de H 0
AxB
a estatstica do teste dada por
QMAxB
FAxB =
~ F((a 1)(b 1);res ), com a regra de deciso habitual.
QMRes
semelhana do DIC, tm-se os dois casos para o teste de comparaes

mltiplas de Tukey.
Teste de Tukey para o caso FAxB no significante ( pAxB > a )

H 0A : i = i (i, i = 1,..., a ) no existe diferena entre as respostas mdias
dos nveis i e i do fator A.

Calcula-se DMSA () = A ( ) = q(;a ;
res
QMRes
e se yi yi A (a ) ,
bt

A
H 0B : j = j ( j, j = 1,..., b) no existe diferena entre as respostas mdias
dos nveis j e j do fator B.

Calcula-se DMSB () = B ( ) = q( ;b;
res
QMRes
e se y j y j B (a ) ,
at
rejeita-se H 0 . Caso contrrio, no h rejeio.

B
Teste de Tukey para o caso FAxB significante ( pAxB < a )

H 0A/B j : ij = i j (i, i = 1,..., a e j fixo) no existe diferena entre as respos-
tas mdias dos nveis i e i do fator A dentro do j-simo nvel do fator B.

Calcula-se DMSA/ B ( ) = A/ B ( ) = q( ;a ;
res
QMRes
e se yij yi j A/ B (a ) ,
t
rejeita-se H 0 . Caso contrrio, no h rejeio.

A/ B j
28/05/2014 15:51:52
68
H 0B/Ai : ij = ij ( j, j = 1,..., b e i fixo) no existe diferena entre as respos-
tas mdias dos nveis j e j do fator B dentro do i-simo nvel do fator A.

Calcula-se DMS B /A( ) = B /A( ) = q( ;b;
res
rejeita-se H 0
B / Ai
QMRes
e se yij yij B/ A (a ) ,
t
4.5 EXEMPLO DE FATORIAL A*B NO DBCC
Considere o seguinte conjunto de dados de um esquema fatorial 2x2 em

um delineamento em blocos completos casualizados para avaliar o efeito da
inibio prolongada de enzima de converso da angiotensina sobre o dimetro
diastlico do ventrculo esquerdo (DDVE), avaliado em mm, em ratos com sobrecarga pressrica persistente (Bregagnollo et al.,2005, Arquivos Brasileiros
de Cardiologia, v.84, n.3, p.225-232). Os fatores A e B so droga (Lisinopril) e
momento de sacrifcio, respectivamente:
Fator A (Droga): A1(bandagem artica (EA0)-no tratados) e A2(bandagem
artica (EA0)-tratados com lisinopril);
Fator B (Momento Sacrifcio): B1(6 semana) e B2(21 semana).
Foram estabelecidos seis blocos correspondentes s faixas de peso do animal: Bloco1(70|75g), Bloco2(75|80g), Bloco3(80|85g), Bloco4(85|90g),
Bloco5(90|95g) e Bloco6(95|100g).
O esquema de fatores pode ser apresentado como a seguir:
Droga
Momento Sacrifcio
6 Semana (B1)
21 Semana (B2)
Ausente (No tratado) (A1)
A1B1
A1B2
Presente (Lisinopril) (A2)
A2B1
A2B2
28/05/2014 15:52:07
Dimetro Diastlico do Ventrculo Esquerdo (mm)

Faixa de peso
Tratamento
A1B1
A1B2
A2B1
A2B2
70 | 75g
7,8
9,8
8,0
8,6
75 | 80g
7,2
10,0
7,6
8,8
80 | 85g
8,4
9,9
8,3
8,5
85 | 90g
7,8
10,8
7,5
8,4
90 | 95g
8,0
9,6
8,6
8,9
95 | 100g
7,6
8,7
8,0
7,8
Mdia (DP)
7,8(0,40)
9,80(0,68)
8,00(0,42)
8,50(0,39)
Quadro auxiliar para o clculo das SQ

A
(Droga)
Total
(Fator A)
B (Sacrifcio)
B1
B2
A1
46,8
58,8
105,6
A2
48,0
51,0
99,0
Total
(Fator B)
94,8
109,8
204,6
a = 2 ; b = 2 ; r = 6 ; n = 24
y = 8, 525
Na sequncia so obtidos as somas de quadrados para a construo da

ANOVA para o esquema fatorial no DBCC.
SQTot = 7, 82 + + 7, 82 248, 5252 = 1763, 5 1744, 215 = 19, 285
2
SQTrat =
46, 8
58, 82 48, 0
51, 02
+
+
+
248, 5252 = 1758, 78 1744,2215 = 14, 565
6
6
6
6
2
SQA =
105, 6
99, 0
+
248, 5252 = 1746, 03 1744, 215 = 1, 815
26
26
SQB =
94, 8 109, 8
+
248, 5252 = 1753, 59 1744, 215 = 9, 375
26
26
SQAxB = 14, 565 1, 815 9, 375 = 3, 375
y1 = 7, 8 + 9, 8 + 8, 0 + 8, 6 = 34, 2
y2 = 7, 2 + 10, 0 + 7, 6 + 8, 8 = 33, 6
y3 = 8, 4 + 9, 9 + 8, 3 + 8, 5 = 35,1
y4 = 7, 8 + 10, 8 + 7, 5 + 8, 4 = 34, 5
28/05/2014 15:52:09
70
y5 = 8, 0 + 9, 6 + 8, 6 + 8, 9 = 35,1
y6 = 7, 6 + 8, 7 + 8, 0 + 7, 8 = 32,1
2
2
34, 2
33, 6
32,12
SQBloc =
+
++
248, 5252 = 1745, 82 1744, 215 = 1, 605
22
22
22
SQRes = 19, 285 1, 605 14, 565 = 3,115
Tabela 4.5
ANOVA para o DDVE
Causa de Variao
GL
SQ
QM
Blocos
1,605
0,321
F
-
Tratamentos
14,565
4,855
23,34 (p<0,01)
A (Droga)
1,815
1,815
8,73 (P<0,01)
B (Sacrifcio)
9,375
9,375
45,07 (p<0,01)
AxB
3,375
3,375
16,23 (p<0,01)
Resduo
15
3,115
0,208
Total
23
19,285
O resultado do teste de interao entre os fatores A e B mostrou-se significante (p<0,01), logo, o teste de Tukey deve ser feito no desmembramento da
interao.
Considere =0,05, ento tem-se:
DMSA/ B j (5%) = A/ B j (5%) = q(5%;2;15)
QMRes
0, 208
= 3, 01
= 0, 56 mm
6
6
DMSB / Ai (5%) = B / Ai (5%) = q(5%;2;15)
QMRes
0, 208
= 3, 01
= 0, 56 mm
6
6
Tabela 5.6
sacrifcio
Mdia e desvio padro do DDVE (mm) segundo droga e momento de
Droga (Grupo)
Momento de Sacrifcio
6 Semana
21 Semana
Ausente (Controle)
7,80(0,40) a(1)A(2)
9,80(0,68) b B
Presente (Lisinopril)
8,00(0,42) a A
8,50(0,39) a A
(1) duas mdias seguidas de uma mesma letra minscula no diferem (p>0,05) quanto aos respectivos grupos, fixada a
semana de sacrifcio.
(2) duas mdias seguidas de uma mesma letra maiscula no diferem (p>0,05) quanto aos respectivos momentos de sacrifcio, dentro do grupo.
28/05/2014 15:52:16
4.6 EXERCCIOS (ESQUEMAS FATORIAIS: DIC E DBCC)
1.
O consumo dirio de rao em kg/dia, no perodo de crescimento-acabamento de sunos foi observado em um esquema envolvendo tipos de
rao e formas de arraoamento em um delineamento em blocos completos ao acaso. Considerando =0,05 estudar o consumo mdio dirio em
funo dos dois fatores.
Rao
Arraoamento
Farelada
Farelada
2.
Bloco
A
Livre (Vontade)
2,63
2,68
2,74
2,84
2,76
Controlada
2,45
2,36
2,44
2,50
2,40
Granulada
Livre (Vontade)
2,32
2,25
2,16
2,24
2,38
Granulada
Controlada
2,44
2,50
2,42
2,55
2,54
Um experimento visando verificar o efeito do inseticida e do meio de cultura em organismos biolgicos foi planejado utilizando-se drosfilas e observando a longevidade (dias de sobrevida) destas moscas. Os tratamentos
utilizados foram os seguintes:
A1B1: atrazine e carncia de glicose;
A1B2: atrazine e carncia de hidrato de carbono;
A2B1: dalapon e carncia de glicose;
A2B2: dalapon e carncia de hidrato de carbono.
Tratamento
Repetio
A1B1
49
50
51
54
A1B2
36
37
35
32
A2B1
38
31
35
37
A2B2
34
30
28
25
Considerando o nvel de significncia 5% e os dados sob a transformao

raiz quadrada, avaliar a sobrevida mdia das moscas segundo os tipos de
inseticida e meios de cultura.
28/05/2014 15:52:20
72
3.
Organize os tratamentos de um esquema fatorial para estudar a interao

de uma droga administrada em trs condutas diferentes (manh, tarde,
noite) com bebida alcolica.
4.
Verificar se existe interao significante (p<0,05) entre os fatores A e B

estudados em um delineamento em blocos completos casualizados cujos
dados so apresentados a seguir.
Fator A
Fator B
A1
Bloco
I
II
III
IV
B1
16
17
19
12
A1
B2
24
23
27
22
A2
B1
22
21
23
22
A2
B2
33
35
35
32
4.7 RESPOSTAS DOS EXERCCIOS (ESQUEMAS FATORIAIS : DIC E DBCC)
1.
Tabela 1.
ANOVA para o consumo de rao
C. Variao
Tabela 2.
mento
GL
SQ
QM
Blocos
0,030
0,008
Tratamentos
0,546
0,182
45,50 (p<0,001)
Rao ( R )
0,200
0,200
50,00 (p<0,001)
Arraoamento ( A )
0,008
0,008
2,00 (p>0,05)
R A
0,338
0,338
84,50 (p<0,001)
Resduo
12
0,048
0,004
Total
19
0,624
Mdia (desvio padro) do consumo de rao segundo rao e arraoa-
Rao
Arraoamento
Livre
Controlada
Farelada
2,730 (0,080) b B
2,430 (0,053) a A
Granulada
2,270 (0,084) a A
2,490 (0,058) a B
DHS (Rao/Arraoamento) = 0,087 (letras minsculas)

DHS (Arraoamento/Rao) = 0,087 (letras maisculas)
28/05/2014 15:52:21
Tabela 1.
ANOVA para os dias de sobrevida (*)

C. Variao
GL
SQ
QM
Tratamento
6,539
2,180
35,21 (p<0,001)
Inseticida ( I )
2,967
2,967
47,86 (p<0,001)
Meio ( M )
3,089
3,089
49,82 (p<0,001)
I M
0,483
0,483
7,79 (p<0,05)
Resduo
12
0,743
0,062
Total
15
7,282
(*) Varivel sob a transformao raiz quadrada
Tabela 2. Mdia (desvio padro) da raiz quadrada da sobrevida segundo inseticida e

meio de cultura
Meio de cultura (carncia)
Inseticida
Glicose
Hidrato de Carbono
Atrazine
7,140 (0,150) b B
5,914 (0,184) b A
Dalapon
5,933 (0,264) a B
5,400 (0,348) a A
DHS (Inseticida/Meio) = 0,384 (letras minsculas)

DHS (Meio/Inseticida) = 0,384 (letras maisculas)
2.
Fator A (Bebida Alcolica): A1 (Ausente) e A2(Presente)

Fator B (Perodo de Administrao): B1(Manh), B2(Tarde) e B3(Noite)
Tratamentos: A1B1(Bebida Ausente e Perodo Manh)
A1B2(Bebida Ausente e Perodo Tarde)
A1B3(Bebida Ausente e Perodo Noite)
A2B1(Bebida Presente e Perodo Manh)
A2B2(Bebida Presente e Perodo Tarde)
A2B3(Bebida Presente e Perodo Noite)
3.
Tabela 1.
ANOVA para a varivel estudada

C. Variao
GL
SQ
QM
Blocos
32,19
10,73
F
-
Tratamento
652,19
217,40
118,15 (p<0,001)
248,07
248,07
134,82 (p<0,001)
390,07
390,07
212,00 (p<0,001)
7,64 (p<0,05)
A B
14,05
14,05
Resduo
16,56
1,84
Total
15
700,94
28/05/2014 15:52:22
74
FINT = 7, 64( p < 0, 05) ; ou seja, o resultado do teste da interao dos fatores
A e B significante, indicando que h necessidade de estudo conjunto
dos fatores para a discusso dos resultados.
28/05/2014 15:52:25
5
ANLISE DE ADERNCIA E ASSOCIAO
5.1 INTRODUO
Considere o estudo de variveis aleatrias (que podem ser qualitativas ou

quantitativas) cujos elementos da amostra podem ser classificados em categorias, ou intervalos, ou ainda atributos. Em particular, o estudo ser aprofundado em tabelas de dupla entrada em que se apresenta a situao geral, em que
duas variveis aleatrias qualitativas X e Y foram classificadas em c categorias
para X e s categorias para Y.
5.2 TESTE DE ADERNCIA
Considere que se tem uma populao e que o objetivo proposto consiste em verificar se ela segue uma distribuio especificada 0, ou seja, testar a
hiptese H 0 : p = p0 . Nesta situao, o teste estatstico comparar o nmero de
casos ocorridos (frequncias observadas) em categorias especificadas, com o
nmero esperado (frequncias esperadas) de casos sob a veracidade da hiptese nula H 0 .
O procedimento consiste em considerar classes, segundo as quais a varivel X, caracterstica em estudo da populao, pode ser classificada (a varivel X
pode ser qualitativa ou quantitativa).
A situao geral com c categorias pode ser apresentada conforme Tabela 5.1.
28/05/2014 15:52:26
76
Tabela 5.1
Distribuio do nmero de casos segundo classe de X
Classe de X
Nmero de casos
Classe 1
n1 ( fo1 )
Classe 2
n2 ( fo2 )
Classe c
nc ( foc )
Total
n( foi)
Lembrar que:
n1 + n2 + ... + nc = n , ou seja,
fo1 + fo2 + ... + foc = foi (total de casos). O nmero de casos (ocorrncias) da classe i, designado por ni , ser nomindo
de frequncia observada na classe i e indicado por foi , com i =1,..., c .
As hipteses so apresentadas como:

H 0 : p1 = p01 ; p2 = p02 ;pc = p0c ; H1 : Existe pi p0i para algum i .
As frequncias esperadas ((fei) do modelo multinomial (cc classes) so obtidas sob a veracidade de H0, especificadas na expresso: fei = np0 ; onde n
i
o nmero total de casos e p0 a proporo terica da classe i expressa em H 0 .

i
A estatstica do teste, sob veracidade de

c
c2 =
i=1
( foi fei )
fei
H0 ,
dada por
~ c(2c1) , com a regra de deciso habitual (isto , 2 (2 ;c1), re-
jeita-se H 0 . Caso contrrio, no h rejeio). Deve ser considerado a unilateralidade direita do teste, pois quanto maiores os afastamentos entre as frequncias observadas e esperadas mais expressiva torna-se a falta de aderncia dos
dados ao modelo proposto e, em consequncia, mais provvel a veracidade de
H1 em favor da rejeio de H 0 .
O emprego apropriado do teste recomenda sua utilizao somente quando

no existir mais de 20% das caselas com frequncias esperadas menores que 5.
A prtica biolgica permite a juno de classes adjacentes para contornar essa
situao sempre que possvel.
Na sequncia sero apresentados dois exemplos para o estudo da aderncia.
28/05/2014 15:52:27
Anlise de Aderncia e Associao | 77
Exemplos
1.
Um modelo gentico especifica que animais de certa populao devem

estar classificados em quatro categorias, nas propores 8:1:1:2. Numa
amostra de 180 animais da populao encontra-se 116, 15, 20 e 29 animais
de cada categoria, respectivamente. Verificar, no nvel de significncia 5%,
se os dados esto de acordo com o modelo gentico especificado.
Categoria
Frequncia
Observada
C1
116
C2
15
C3
20
C4
29
Total
180
H 0 : Modelo Especicado 8:1:1:2

8
1
1
2
p01 = ; p02 = ; p03 = ; p04 =
12
12
12
12
H1 : Existe pi p0i , para pelo menos um i(i =1, 2, 3, 4)
Frequncias Esperadas
8
= 120 animais ,
12
1
Categoria 2 fe2 = 180 = 15 animais ,
12
1
Categoria 3 fe3 = 180 = 15 animais ,
12
2
Categoria 4 fe4 = 180 = 30 animais .
12
Categoria 1 fei = 180
Logo, tem-se
(116 120)
c2 =
120
(15 15)
15
(20 15)
15
(29 30)
30
= 0,133 + 0,0000 + 1, 667 + 0, 033 = 1, 833
= 0, 05 2
= 7, 81 2 = 1, 833( p > 0, 05)
c = 4 (0,05;3)
No h rejeio de H 0 no nvel de 5% de significncia. Ou seja, a amostra

de animais est em acordo com modelo gentico especificado.
2.
Considerando-se uma amostra de 100 descendentes de uma populao,

verificar (nvel de 5% de significncia) a adequabilidade dos dados ao
modelo gentico Equilbrio Hardy-Weinberg.
28/05/2014 15:52:39
78
H0: Equilbrio Hardy-Weinberg (Eq HW)
Gentipo
Frequncia
Observada
AA
26
Aa
35
Aa
Aa
AA
Aa
aa
aa
39
Total
100
1
1
1
01 = ; 02 = ; 03 =
4
2
4
: No h Eq HW na descendncia
Frequncia Esperada
Gentipo AA fe1 = 100 1 = 25
Gentipo Aa
Gentipo aa
4
1
fe2 = 100 = 50
2
1
fe3 = 100 = 25
4
Logo, tem-se
(26 25)
c2 =
(35 50)
(39 25)
= 0, 04 + 4, 50 + 7, 84 = 12, 38
25
50
25
= 0, 05 2
= 5, 99 2 = 12, 38( p < 0, 05)
c = 3 (0,05;2)
Para =0,05, h rejeio de H0, ou seja, a populao no segue o equilbrio

Hardy-Weinberg.
5.3 TESTE DE HOMOGENEIDADE
Considere m populaes 1, 2,..., m distribudas em c categorias mutuamente exclusivas. Objetiva-se verificar se as m populaes
(1,...,m) podem ser representadas por uma distribuio comum a todas
(H 0 : p1 = p2 = = pm ) contra a alternativa em que pelo menos duas so distintas (H1 : Existe pi pi para i i ; i, i = 1,, m) .
Contemplando as m populaes em c categorias, as frequncias observadas podem ser apresentadas na tabela de dupla entrada m x c (Tabela de
Contingncia m x c )
28/05/2014 15:52:46
Tabela 5.2 Resultados da categoria segundo populao
Populao
Categoria
Total
C1
C2
...
Cc
P1
fo11
fo12
...
fo1c
fo1i
P2
fo21
fo22
...
fo2c
fo2i
Pm
fom1
fom2
...
fomc
fomi
Total
foi1
foi2
...
foi c
foii
A hiptese de nulidade a ser testada estabelecida como:

p11 = p21 = = pm1
, ou equivalentemente, 1= 2=...=m; contra
p12 = p22 = = pm2

H0 :

p1c = p2c = = pmc
a alternativa
H1 : pelo menos uma das igualdades no verificada.
As frequncias esperadas, considerando-se a hiptese H0 verdade so obtidas como:

feij = foi p j =
foi fo j
fo
, para i = 1,..., m e j = 1,..., c .
Sob a veracidade de H0, a estatstica do teste dada por:

m
c =
2
i=1 j=1
( foij feij )
feij
~ c(2m1)(c1) , com a regra de deciso habitual. Ou seja,
2 (2 ;(m1)(c1)) rejeita-se H ; caso contrrio, no h rejeio.

0
Exemplos
1.
Duas novas drogas vo ser testadas em 200 pessoas portadoras de rinite

alrgica. Metade das pessoas recebe a droga A e a outra metade recebe a
droga B. Considerando os dados apresentados a seguir, teste a hiptese de
28/05/2014 15:52:49
80
que as duas drogas so igualmente eficazes para tratar a doena (adotar

a=0,05).
Droga
Ecaz
Total
No
Sim
25
75
100
32
68
100
Total
57
143
200
H 0 : Droga A = Droga B
p11 = p21
p12 = p22
H1 : Droga A Droga B
fe11 =
57100
= 28, 5
200
fe12 =
143100
= 71, 5
200
fe21 =
57100
= 28, 5
200
fe22 =
143100
= 71, 5
200
(25 28, 5)
c2 =
28, 5
(32 28, 5)
28, 5
(75 71, 5)
71, 5
(68 71, 5)
71, 5
= 0, 43 + 0, 43 + 0,17 + 0,17 = 1, 20
= 0, 05
m = 2 (20,05;1) = 3, 84 2 = 1, 20( p > 0, 05)
c = 2
No nvel de 5% de significncia, no h rejeio de H 0 . Isto , as duas drogas so igualmente eficazes, no nvel de 5% de significncia.
2.
Foram consideradas as distribuies do tipo sanguneo do sistema MN

em trs populaes (grupos) de indivduos, conforme dados apresentados
abaixo:
28/05/2014 15:53:01
Grupo
Tipo Sanguneo
Total
MM
MN
NN
Controle
50
40
50
140
Gastrite
15
15
25
55
lcera
25
22
55
Total
90
77
83
250
Verificar, no nvel de 5% de significncia, se h diferena entre os grupos

quanto a distribuio do tipo sanguneo (isto , se a patologia est associada ao sistema sanguneo).
H 0 : Controle = Gastrite = lcera
H1 : Existe pelo menos uma diferena entre os grupos
A seguinte tabela de frequncias esperadas pode ser elaborada:

Grupo
NN
Controle
50,40
43,12
46,48
140
Gastrite
19,80
16,94
18,26
55
lcera
19,80
16,94
18,26
55
90
77
83
250
(50 50, 40)
50, 40
Total
MN
Total
c2 =
Tipo Sanguneo
MM
(40 43,12)
43,12
(8 18, 26)
++
18, 26
c2 = 0, 0032 + 0, 2258 + 0, 2666 + 1,1636 + 0, 2222 + 2, 4878 + 1, 3657 + 1, 5114 + 5, 7649
c2 = 13, 01
= 0, 05
m = 3 (20,05;4) = 9, 49 2 = 13, 01( p < 0, 05)
c = 3
H rejeio de H0, ou seja, no nvel de 5% de significncia os grupos diferem quanto a distribuio do tipo sanguneo (a patologia est associada ao
sistema sanguneo).
28/05/2014 15:53:01
82
5.4 TESTE DE INDEPENDNCIA
Uma situao muito interessante na rea biolgica consiste em considerar

duas caractersticas (variveis biolgicas) avaliadas numa amostra de indivduos e, verificar se a probabilidade de um indivduo qualquer ser classificado
nas categorias i (i = 1,..., m) e j ( j = 1,..., c ) simultaneamente, pode ser obtida pelo
produto das probabilidades marginais. Ou seja, verificar se as duas caractersticas so independentes.
Considerando a tabela de dupla entrada com m linhas e c colunas, objetiva-se testar as hipteses:
H 0 : pij = pi p j para todo par ( i, j ) as caractersticas estudadas so
independentes;
H1 : pij pi p j para algum par ( i, j ) as caractersticas estudadas so
dependentes.
As frequncias esperadas, considerando-se H0 verdade, so dadas por
feij =
foi fo j
fo
. Resultado idntico ao utilizado no teste de homogeneidade.
Sob a veracidade de H0, a estatstica do teste expressa como

m
c =
2
( foij feij )
feij
i=1 j=1
~ c(2m1)(c1) , com a regra de deciso habitual.
Exemplos
1.
A tabela a seguir relaciona resultados de uma pesquisa obtidos de uma

amostra aleatria de vtimas de diferentes crimes. Utilizando a=0,05, verificar se o tipo de crime independente do fato do criminoso ser um estranho.
Criminoso
Crime
Total
Homicdio
Roubo
Assalto
Estranho
15
400
230
Conhecido
45
100
210
355
Total
60
500
440
1000
645
28/05/2014 15:53:01
para todo
H 0 : pij = pi p j
i = 1,2;j = 1,2,3
para algum

H1 : pij pi p j
i = 1,2;j = 1,2,3
Independncia entre criminoso ser estranho e tipo de crime;
Dependncia entre criminoso ser estranho e tipo de crime.
fe11 =
60645
= 38, 7 ; fe12 = 500645 = 322, 5 ; fe13 = 440645 = 283, 8
1000
1000
1000
fe21 =
60355
= 21, 3 ; fe22 = 500355 = 177, 5 ; fe23 = 440355 = 156, 2 .
1000
1000
1000
(15 38, 7)
c2 =
38, 7
(400 322, 5)
322, 5
(210 156, 2)
++
156, 2
c2 = 14, 51 + 18, 62 + 10, 20 + 26, 37 + 33, 84 + 18, 53 = 122, 07

= 0, 05
m = 2 (20,05;2) = 5, 99 2 = 122, 07( p < 0, 001)
c = 3
No nvel de 5% de significncia existe dependncia entre o tipo de crime

cometido e o fato do criminoso ser um estranho.
2.
Os resultados da classificao de 100 pessoas segundo a cor dos olhos e do

cabelo foram os seguintes:
Cor do Cabelo
Cor dos Olhos

Cinza
Total
Castanhos
Azuis
Claro
13
18
Escuro
24
24
12
60
Total
37
42
21
100
40
No nvel de 5% de significncia a cor dos olhos est relacionada com a cor

do cabelo?
H 0 : H independncia entre a cor dos olhos e a cor do cabelo (pij = pi p j )
H1 : H dependncia entre a cor dos olhos e a cor do cabelo (pij pi p j )
28/05/2014 15:53:05
84
fe11 =
4037
4021
= 14, 8 ; fe12 = 40 42 = 16, 8 ; fe13 =
= 8, 4
100
100
100
fe21 =
6037
= 22, 2 ; fe22 = 60 42 = 25, 2 ; fe23 = 6021 = 12, 6 .
100
100
100
(13 14, 8)
c2 =
14, 8
(18 16, 8)
16, 8
(12 12, 6)
++
12, 6
c = 0, 22 + 0, 09 + 0, 04 + 0,15 + 0, 06 + 0, 03 = 0, 59
2
= 0, 05
m = 2 (20,05;2) = 5, 99 2 = 0, 59( p > 0, 05)
c = 3
No nvel de 5% de significncia no se rejeita H0, ou seja, existe independncia entre a cor dos olhos e a cor do cabelo.
5.5 EXERCCIOS (TESTES DE ADERNCIA E ASSOCIAO)
1.
Suponha que um teste de aptido verbal tenha sido aplicado a um grupo

de 120 adolescentes do gnero masculino e 100 do gnero feminino. Os
resultados esto a seguir. Qual a concluso a respeito da associao entre
gnero e aptido verbal no nvel de 5% de significncia?
Gnero
2.
Nvel de Aptido
Total
Superior
Mdio
Inferior
Feminino
25
55
20
100
Masculino
20
80
20
120
Total
45
135
40
220
Desejando-se colocar prova a hiptese de que a idade da me tem certa influncia sobre o nascimento de criana prematura, um pesquisador
verificou que, dentre 90 casos de prematuridade, 40 envolviam mes com
idade inferior a 18 anos; 15 envolviam mes de 18 a 35 anos e 35 mes com
idade acima de 35 anos. No nvel de 5% de significncia, isto leva o pesquisador a manter sua hiptese?
28/05/2014 15:53:15
3.
Em um teste quiquadrado, quanto maior a diferena entre frequncias esperadas e observadas, maior chance temos de: a) aceitar (no rejeitar) H0
ou b) rejeitar H0? Explicar a resposta.
4.
Considere o seguinte resultado quanto ao tabagismo dos pais e filhos

Pais
Filhos
Tabagistas
No Tabagistas
Tabagistas
49
16
No Tabagistas
106
79
Verificar no nvel de 5% de significncia a associao entre pais e filhos

quanto ao tabagismo
5.
Conforme a herana mendeliana, a descendncia de certo cruzamento deveria ser vermelha, preta ou branca na seguinte proporo: 9:3:4. Se um
experimento mostrou 74, 32 e 38 descendentes nessas categorias, a teoria
est confirmada, sendo =0,05?
6.
A seguir so apresentados dados sobre a presena (ou no) de anomalia

em recm-nascidos vivos segundo o sexo.
Sexo
Anomalia
Ausente
Presente
Masculino
586
14
Feminino
674
26
Verifique, no nvel de significncia 5%, se a proporo de recm-nascidos

vivos portadores de anomalia a mesma nos dois sexos.
7.
Com base nos dados apresentados a seguir, verificar se a condio de vivo

ou natimorto homognea nos dois sexos, considerando-se a=0,01.
Sexo
Condio
Vivo
Natimorto
Masculino
825
25
Feminino
960
40
28/05/2014 15:53:20
86
8.
Considere a distribuio de ervilhas do cruzamento de plantas de sementes lisas e albume amarelo com plantas de sementes rugosas e albume verde.
Sementes
Frequncia
Amarelo-lisas
380
Amarelo-rugosas
100
Verde-lisas
130
Verde-rugosas
30
No nvel de significncia de 5%, os resultados esto de acordo com a teoria

postulada por Mendel (9:3:3:1, para as classes de sementes).
9.
Considere uma amostra do ms de nascimento de 200 polticos brasileiros.

Verificar (=0,05) a hiptese de que o ms de nascimento tem uma distribuio uniforme nos polticos brasileiros.
Ms
Jan
Fev
Mar
Abr
Maio
Jun
Jul
Ago
Set
Out
Nov
Dez
Frequncia
16
18
13
15
16
12
20
20
18
14
18
20
10.
Numa Universidade, os estudantes de dois programas de ps-graduao

diferentes so submetidos ao mesmo exame de conhecimentos de redao
cientfica. Os conceitos obtidos foram os seguintes:
Programa de PG
Conceito
Fraco
Regular
Bom
XY
16
20
Excelente
9
WZ
18
12
26
22
No nvel de significncia 5%, a distribuio dos conceitos homognea

nos dois programas?
11.
Numa pesquisa 120 pares de gmeos foram classificados segundo o sexo e

a ordem que ocorreu o nascimento.
28/05/2014 15:53:20
Primeiro a nascer
Segundo a nascer
Masculino
Feminino
Masculino
38
22
Feminino
26
34
No nvel de significncia 5% verificar se o sexo e a ordem de nascimento

so independentes.
12.
Foram amostrados 120 pares de gmeos classificados de acordo com o

sexo com o seguinte resultado:
Situao
Dois meninos
Duas meninas
Um menino e Uma menina
34
38
48
Frequncia
Verificar, no nvel de significncia 5%, se a classificao do sexo est em

acordo com o modelo binomial B (2; 1 2 ) .
5.6 RESPOSTAS DOS EXERCCIOS (TESTES DE ADERNCIA E ASSOCIAO)
1.
c2 = 3, 40( p > 0, 05)
2.
c2 = 11, 67( p < 0, 01)
3.
Quanto mais os valores observados se afastam dos esperados, tm-se

maiores desvios (sendo o numerador do clculo elevado ao quadrado) e,
portanto, aumenta a chance de rejeitar a hiptese de nulidade (H0).
4.
c2 = 6, 68( p < 0, 01)
5.
c2 = 1, 64( p > 0, 05)
6.
c2 = 2, 07( p > 0, 05)
7.
c2 = 1, 52( p > 0, 05)
8.
c2 = 7, 78( p > 0, 05)
9.
c2 = 5, 08( p > 0, 05)
2
10. c = 2, 47( p > 0, 05)
28/05/2014 15:53:20
88
2
11. c = 4, 82( p < 0, 05)
2
12. c = 5, 07( p > 0, 05)
28/05/2014 15:53:26
CORRELAO LINEAR SIMPLES
6.1
INTRODUO
Nas reas biolgicas, em algumas situaes, o pesquisador est interessado

em estudar a maneira como duas variveis X e Y esto associadas e, mais ainda, medir o seu grau de associao. Alguns exemplos que podem esclarecer
essa situao so bastante comuns em nosso cotidiano, quais so: afirmar que
a presso arterial aumenta quando a idade avana; a altura de uma rvore est
relacionada ao permetro do tronco; o desempenho de um atleta melhora com
o treinamento, e assim por diante.
Em todas as situaes esto sendo considerados, simultaneamente, os valores de duas variveis aleatrias mensuradas num mesmo indivduo, isto ,
observaes pareadas. Como j descrito anteriormente, busca-se verificar qual
o sentido e a intensidade da associao entre as variveis, mas jamais utilizar
essa busca como uma relao de causa e efeito. Ou seja, a observao de que
duas grandezas podem variar simultaneamente no mesmo sentido ou em sentidos contrrios, no implica a presena de um relacionamento causal entre
elas.
No presente texto ser considerado que a associao entre as variveis
pode ser estudada por meio de uma relao linear, ou seja, os pares de pontos
distribudos na vizinhana de uma reta.
Para melhorar o entendimento entre correlao e causalidade, suponha,
por exemplo, uma associao positiva entre o consumo de lquido de uma cidade e o nmero de internaes por desidratao. A falcia da causalidade
poderia levar a diminuio de ingesto de lquido para diminuir o nmero
de internaes por desidratao. Lgico, que neste caso, uma terceira ou mais
28/05/2014 15:53:28
90
variveis (temperatura, umidade relativa do ar,...) podem estar causando a correlao entre consumo de lquido e nmero de internaes. Essas variveis so
denominadas de variveis intercorrentes (no conhecidas) e a falsa correlao
que elas fornecem chamada de correlao espria.
6.2 DIAGRAMA DE DISPERSO
O diagrama de disperso consiste de um grfico bidimensional (sistema

de eixos cartesianos (X,Y)) onde so alocados os n pares de observaes das
variveis aleatrias X e Y.
O objetivo do diagrama de disperso possibilitar a visualizao da relao existente entre as variveis X e Y. Se os pontos estiverem localizados na vizinhana de uma reta h indicao de correlao, se X e Y crescem no mesmo
sentido, a indicao no sentido de correlao positiva, caso a variao acontea no sentido oposto (contrrio), existe correlao negativa entre as variveis.
A Tabela 6.1 apresenta o desempenho fsico e psicolgico de mulheres obesas
submetidas aos testes relativos qualidade de vida das participantes.
Tabela 6.1 Desempenho fsico e psicolgico de mulheres obesas submetidas ao
Deep water running and quality of life in obese women (Arquivos Mdicos do ABC,
v.32, p.5-10, 2007)
Mulher
D. Fsico (%)
D. Psicolgico (%)
M1
30
35
M2
40
50
M3
75
70
M4
50
50
M5
35
30
M6
60
65
M7
70
55
M8
55
55
28/05/2014 15:53:28
Correlao Linear Simples | 91
D. Psicolgico
80
70
60
50
40
30
20
20
30
Figura 6.1
40
50
60
70
80
90 D. Fsico
Diagrama de Disperso dos Domnios Fsico (%) e Psicolgico (%)
A inspeo visual, mostra de maneira subjetiva, a tendncia linear nas

observaes no sentido positivo, ou seja, as mulheres mostraram associao
direta nas respostas dos domnios fsico e psicolgico. A intensidade dessa associao pode ser mensurada, objetivamente, pelo coeficiente de correlao
linear de Pearson, sendo que a intensidade ser tanto maior quanto menor for
a disperso dos pontos em relao tendncia linear.
6.3 COEFICIENTE DE CORRELAO
A medida do grau (intensidade) de associao linear entre duas variveis

aleatrias quantitativas (numricas) pode ser estabelecida pelo coeficiente de
correlao de Pearson, representado por r e expresso para n pares (xi, yi) de
uma amostra aleatria das variveis X e Y como:
r=
Sxy
Sxx S yy
, onde
n
Sxy = SP ( X ,Y ) = ( xi x )( yi y ) = xi yi nxy ;
i=1
i=1
Sxx = SQ ( X ) = ( xi x ) = xi2 nx 2 ;
2
i=1
n
i=1
n
S yy = SQ (Y ) = ( yi y ) = yi2 ny 2 .
i=1
i =1
28/05/2014 15:53:28
92
Algumas consideraes interessantes podem ser feitas a respeito do valor

de r:
a)
1 r 1 ;
b)
r = +1 , correlao perfeita positiva (todos os pontos esto sobre uma
linha reta crescente);

r = 1 , correlao perfeita negativa (todos os pontos esto sobre uma
c)
linha reta decrescente);

r = 0 ; correlao nula (ausncia de associao linear entre as variveis
d)
X e Y);
e)
r adimensional.
A seguir sero apresentados dois exemplos para o clculo da correlao

linear simples.
Exemplos
1.
Considerando os dados da Tabela 6.1, tem-se:

8
= 30 + + 55 = 415 , portanto, x = 51, 875 ;
i=1
8
= 302 + + 552 = 23375 ;
2
i
i=1
Sxx = SQ ( X ) = 23375 851, 8752 = 1846, 875 ;

8
= 35 + + 55 = 410 , portanto, y = 51, 25 ;
2
i
= 352 + + 552 = 22300 ;
i=1
8
y
i=1
S yy = SQ (Y ) = 22300 851, 252 = 1287, 5 ;

8
x y
i
= 3035 + 4050 + + 5555 = 1050 + 2000 + + 3025 = 22625 ;
i=1
Sxy = SP ( X ,Y ) = 22625 851, 87551, 25 = 1356, 25 ;
logo r =
1356, 25
1356, 25
=
= 0, 8795 0, 88
1846, 8751287, 5 1542, 0284
28/05/2014 15:53:30
A magnitude da associao linear entre as variveis da ordem de 0,88,

mostrando que as mulheres que tiveram maiores porcentagens no domnio
fsico so tambm as de maiores valores percentuais no domnio psicolgico.
2.
Considere as seguintes notas em Bioestatstica e Biofsica de 11 alunos de

Cincias Biolgicas selecionados aleatoriamente entre todos os matriculados, conforme Tabela 6.2
Tabela 6.2 Notas de 11 alunos em Bioestatstica e Biofsica
Aluno
Bioestatstica (X)
6,7
8,1
6,5
4,2
5,3
4,0
7,1
6,4
6,0
6,8
4,9
Biofsica (Y)
9,2
6,5
8,1
7,5
8,5
7,8
7,7
7,9
8,1
8,2
8,5
xi = 66, 0 , logo x = 6, 0 ;
11
i=1
11
( x x )
i=1
11
= 88, 0 , logo y = 8, 0 ;
i=1
= (0, 7) + (2,1) + (0, 5) + (1, 8) + (0, 7) + (2, 0) + (1,1) + (0, 4)

2
+(0, 0) + (0, 8) + (1,1) = 16,1 ;

2
11
( y y )
i=1
= (1, 2) + (1, 5) + (0,1) + (0, 5) + (0, 5) + (0, 2) + (0, 3)

2
+(0,1) + (0,1) + (0, 2) + (0, 5) = 4, 64 ;

2
11
(x x )( y y ) = (0, 7)(1, 2) + (2,1)(1, 5) + (0, 5)(0,1) ++ (0, 8)(0, 2) + (1,1)(0, 5) = 2, 07 ;

i
i=1
r=
2, 07
2, 07
=
= 0, 24
8, 64
16,1 4, 64
O coeficiente de correlao negativo (-0,24) mostra que os alunos com

maiores notas em Bioestatstica esto com menores notas em Biofsica, e viceversa. Porm, deve ser observado que o valor r = 0, 24 expressa uma fraca
correlao linear negativa entre as variveis.
28/05/2014 15:53:40
94
6.4
TESTE DE HIPTESE DA CORRELAO
Considerando as variveis aleatrias X ~ N (x , x2 ) e Y ~ N (y , 2y ) , as

hipteses a respeito da ausncia ou presena de associao linear entre as
variveis X e Y podem ser estabelecidas como:
H 0 : rxy = 0 (ausncia de associao linear entre as variveis X e Y)
H1 : rxy 0 (presena de associao linear entre as variveis X e Y).
r n2
~ t(n2) ,
Sob a veracidade de H0 a estatstica do teste dada por: t =
1 r 2
com a regra de deciso habitual ( ou seja, se t t(a 2 ,n2) , rejeita-se a hiptese
H0; caso contrrio, no h rejeio).

Alternativamente, o valor do resultado do coeficiente de correlao linear
de Pearson ( r ) pode ser comparado com os valores crticos da Tabela 9.9, com
a seguinte regra de deciso:
Se r > r(
2 ;n )
, rejeita-se H 0 ao nvel a (0,05 ou 0,01) de significncia estabe-
lecido. Caso contrrio, no h rejeio da hiptese nula (ausncia de associao linear entre X e Y).
Exemplos
1.
Considerando os dados da Tabela 6.1 e a=0,05, tem-se

H 0 : rxy = 0 (ausncia de associao linear)
H1 : rxy 0 (presena de associao linear)
t=
0, 88 6
2,156
= 4, 54( p < 0, 01)
0, 475
1 0, 88
= 0, 05
= 2, 45; t > 2, 45 , portanto, rejeita-se H0.
t
= 8 2 = 6 (0,025;6)
2
No nvel de significncia 5% existe associao linear entre os domnios

fsico e psicolgico.
28/05/2014 15:53:46
2.
Considerando os dados das notas de Bioestatstica e Biofsica da Tabela

6.2, tem-se:
H 0 : rxy = 0 (ausncia de associao linear)
H1 : rxy 0 (presena de associao linear)
t=
0, 24 9
1(0, 24)
0, 72
= 0, 74( p > 0, 05)
0, 97
= 0, 05
t(0,025;9) = 2, 26; t < 2, 26 , no se rejeita H0.
=9
No nvel de significncia 5%, no foi possvel mostrar associao linear entre as notas de Bioestatstica e Biofsica nos alunos de Cincias Biolgicas.
6.5 EXERCCIOS (CORRELAO LINEAR SIMPLES)
1.
Um antroplogo mediu a largura e o comprimento de 30 crnios amostrados de uma populao, obtendo um coeficiente de correlao r=0,75. Supondo =0,05, verificar se existe associao entre as variveis.
2.
Os valores das variveis X e Y devem ser medidos na mesma unidade para

que se possa calcular o coeficiente de correlao linear?
3.
Considere a idade gestacional (semanas) e o peso ao nascer (kg), de uma

amostra casual de 10 recm-nascidos no HC/UNESP-Botucatu(SP).
Recm-nascido
Idade Gestacional
Peso ao Nascer
RN1
RN2
RN3
RN4
RN5
RN6
RN7
RN8
RN9
34
35
37
32
42
40
41
39
28
RN10
38
1,60
1,70
2,00
1,55
4,30
3,00
3,40
3,30
1,25
2,35
No nvel de significncia 5%, verificar se existe associao linear entre a

idade gestacional e o peso ao nascer.
28/05/2014 15:53:55
96
4.
Em um experimento com carneiros foram determinados os seguintes resultados no plasma dos animais:
Carneiro
Conc. Albumina (g%)
2,3
3,5
4,8
1,9
2,7
5,8
4,6
5,4
3,9
Horm. Crescimento (mg/ml)
41,4
48,6
56,4
40,3
45,3
61,4
52,0
54,0
42,8
Verificar se existe associao linear (a=0,05) entre a concentrao de albumina e o hormnio de crescimento no plasma de carneiros.
5.
Apresenta-se a seguir uma matriz de correlao para instruo (X), salrio

(Y) e idade (Z) de uma amostra de 50 indivduos.
Varivel
Varivel
Instruo
Salrio
Idade
Instruo
1,00
0,60
-0,40
1,00
0,50
Salrio
Idade
1,00
Quais so significantes no nvel 0,05?

6.
A correlao entre aptido matemtica e lnguas estrangeiras, baseada em

testes para medir aptides, est por volta de 0,40. Qual deve ser o tamanho
de uma amostra de estudantes para estarmos certos (nvel de significncia
5%) de que o valor do r obtido refutaria a hiptese H 0 : r = 0 ?
7.
Como deve ser afetado o valor do coeficiente de correlao r se trocarmos

as variveis X por Y e Y por X?
8.
D um exemplo de duas variveis que, sem dvida, esto altamente relacionadas mas para as quais o valor de r seria pequeno pelo fato de a relao
no ser linear.
9.
Considere os seguintes dados relativos a altura e peso de 10 estudantes de

uma sala de aula e verifique, no nvel de significncia 5%, se as variveis
esto associadas linearmente.
28/05/2014 15:53:58
Estudante
10.
E1
E2
E3
E4
E5
E6
E7
E8
E9
E10
Altura
124
161
126
184
172
140
158
135
180
174
Peso
65
76
64
95
86
68
70
68
92
87
Indique o erro na concluso

Fato: H uma associao linear significante (p<0,05) entre a renda pessoal
e o nmero de anos de escolaridade.
Concluso: Mais instruo tem como resultado maior renda pessoal.
11.
Como afetado o valor do coeficiente de correlao linear quando se adiciona a mesma constante a cada valor da varivel X?
12.
Com base em uma amostra de 38 pares de valores foi obtido o coeficiente

de correlao r=0,45. Teste (=0,05) a hiptese de que o coeficiente de correlao das variveis zero.
13.
Verificar se existe associao significativa (=0,05) entre horas de estudo e

nota da prova, segundo os dados abaixo:
14.
Aluno
Horas de estudo
Nota da prova
10
Um coeficiente de correlao linear de Pearson, baseado em uma amostra

de tamanho 18, foi calculado como 0,45. Pode-se concluir, no nvel de 5%
de significncia, que h associao entre as variveis X e Y?
15.
Para uma amostra de tamanho 11, determinar o valor mnimo do coeficiente de correlao r, de modo que a hiptese de ausncia de associao
linear entre X e Y( H 0 ) seja rejeitada ao nvel de confiana 99% (isto ,
sempre que r > r(0,01;11) ).
16.
Nas questes seguintes aprofunde a discusso no erro de concluso.

a.
Fato: H uma correlao linear significativa entre a renda pessoal e o
28/05/2014 15:54:00
98
nmero de anos de escolaridade. Concluso: mais instruo tem como

resultado maior renda pessoal.
b.
Fato: Indivduos fazem um teste de habilidade verbal e um

teste de destreza manual; os pares de observao acusam
um coeficiente de correlao linear muito prximo de zero.
Concluso: No h qualquer relacionamento entre os escores dos dois
testes.
17.
Explique o que est errado na seguinte afirmao: Determinou-se uma

associao linear forte, expressa pelo valor r=1,16, entre a avaliao do ensino ministrado pela universidade indicada pelos estudantes e outra feito
por membros externos instituio.
6.6 RESPOSTAS DOS EXERCCIOS (CORRELAO LINEAR SIMPLES)
1.
t = 6, 00( p < 0, 001)
2.
No. Basta que sejam variveis quantitativas
3.
r = 0, 900 ; t = 5, 84( p < 0, 001)
4.
r = 0, 914 ; t = 5, 96( p < 0, 001)
5.
t(INSTSAL) = 5, 20( p < 0, 001)

t(INSTIDADE) = 3, 02( p < 0, 01)
t(SALIDADE) = 4, 00( p < 0, 001)
6.
No mnimo composta por 25 estudantes
7.
O valor permanece inalterado
8.
Quantidade de adubao no solo e produo
9.
r = 0, 949 ; t = 8, 52( p < 0, 001)
10.
A concluso est fazendo uma relao de causa e efeito, quando na realidade existe apenas uma associao linear
28/05/2014 15:54:02
11.
O valor permanece inalterado
12. t = 2, 70( p < 0, 05)

13. r = 0, 921 ; t = 7, 48( p < 0, 01)
14. t = 2, 02( p > 0, 05)
15. r 0, 7348 ; portanto r = 0, 7348
16. a.
b.
(valor mnimo)
Relao de causa e efeito para um indicativo apenas de associao.

b) No h associao linear, fato que no exclui a possibilidade de outro
tipo de relao.
17.
O valor de r no pode ser maior que a unidade.
28/05/2014 15:54:10
28/05/2014 15:54:14
7
REGRESSO LINEAR SIMPLES
7.1 INTRODUO
Os fenmenos biolgicos, quase que na plenitude das situaes, podem

ser explicados por meio de modelos matemticos e estocsticos (modelos
matemticos que incorporam elementos probabilsticos). Um modelo comum
e de fcil entendimento biolgico que tem sido utilizado para estudar a relao
funcional entre duas variveis consiste na funo linear simples (Y = a + bX ) .
Neste modelo, a idia consiste em estudar a variao da varivel aleatria
contnua Y (varivel dependente, varivel resposta ou varivel exgena) em
funo de uma varivel fixa X, isto , determinstica (varivel independente,
varivel explanatria ou varivel endgena). Por exemplo, verificar as quedas
na quantidade de acar no sangue de coelhos submetidos a doses diferentes
de insulina (doses controladas).
Para melhor entendimento, considere o seguinte experimento realizado na
rea de Bioqumica. Um bioqumico colocou plasma humano em cinco tubos
de ensaio e depois adicionou procana (quantidade fixa em cada tubo). Essa
substncia um anestsico local que se decompe por hidrlise. Para estudar a
velocidade da hidrlise, o pesquisador observou, em tempos definidos e diferentes (4 min., 8 min., 12 min., 16 min. e 20 min.), a quantidade (moles/litro)
de procana hidrolisada em cada tubo de ensaio.
Esquematicamente:
28/05/2014 15:54:14
102
41
33
23
16
6
4 min
8 min
12 min
16 min
20 min
Considerando o tempo com varivel independente (X) e a quantidade de

procana hidrolisada, como a varivel dependente (Y), como estabelecer o
modelo da resposta linear de Y em funo de X?
7.2 MODELO DE REGRESSO LINEAR SIMPLES
A origem do termo regresso deve-se a Sir Francis Galton ( 1822-1911 ),

ingls de classe alta que estudou medicina em Cambridge e explorou a frica
antes de se dedicar ao estudo da hereditariedade. A data do pioneirismo do
uso aconteceu por volta de 1885, quando estava investigando relaes antropomtricas de sucessivas geraes, em resposta a seguinte interrogativa que
fazia: Se as alturas das pessoas esto distribudas normalmente em cada gerao, e se a altura hereditria, qual a relao entre as geraes?. Uma das
constataes verificada por Galton apontava que cada particularidade de um
homem transmitida aos seus descendentes, mas, em mdia, numa intensidade menor. Ou seja, embora pais com baixa estatura tendam a ter filhos tambm com baixa estatura, os filhos tm altura mdia maior que seus pais. Fato
semelhante, em sentido reverso, ocorre com pais com estatura alta. Isto , os
filhos apresentam estatura alta, mas, em mdia, menor que seus pais. Galton
chamou esse fenmeno de regresso para a mediocridade.
28/05/2014 15:54:15
Regresso Linear Simples | 103
Em sua anlise, Galton denominou esse fenmeno de a altura mover-se em

direo altura dos pais de regresso, e s vezes de reverso, expressado num
artigo de 1885, publicado no Journal of the Anthropological Institute (Bussab
& Morettin, 2003).
No contexto matemtico, que no foi o caso de Galton, o ajuste de uma
linha reta a quaisquer dados de duas variveis quantitativas pode ser feito pelo
mtodo dos mnimos quadrados criado pelo matemtico francs Legendre,
por volta de 1805, cujo procedimento de obteno dos parmetros envolvidos
no modelo linear ser objeto de estudo no presente texto.
Em relao ao experimento da procana, inicialmente, como anlise exploratria, torna-se interessante representar os pares de pontos ( xi , yi ) em
um grfico no sistema cartesiano para verificar se h uma tendncia linear
nos dados. Caso exista a tendncia, o passo seguinte consiste em estabelecer o
modelo de resposta linear Y = a + bX . Se no for verificada a tendncia, a alternativa seria procurar outros modelos (no-lineares), cujo enfoque no ser
abordado neste texto.
Para o grfico considere a Tabela 7.1 de valores do tempo e da quantidade
de procana hidrolisada.
28/05/2014 15:54:15
104
Tabela 7.1
Valores observados nos tubos de ensaio
Tempo (X)
12
16
20
Quantidade hidrolisada (Y)
16
23
33
41
Quantidade
Hidrolisada
(moles/litro)
45
40
35
30
25
20
15
10
5
0
0
12
16
Figura 7.1
Diagrama de disperso dos dados
20
Tempo (min)
Como pode ser visualizado existe uma tendncia linear nos valores observados no experimento. Ento, indaga-se: como procurar a equao da reta
que melhor descreve a hidrlise da procana em funo do tempo que foi
adicionado no plasma? Ou seja, como proceder ao ajuste de uma regresso
linear simples (RLS) ao conjunto de dados?
Ajustar uma RLS aos dados significa encontrar a equao da reta que
melhor descreve o fenmeno biolgico. Um procedimento matemtico que
permite encontrar esse modelo de resposta denomina-se Mtodo de Mnimos
Quadrados (MQ), cujo objetivo consiste em minimizar a soma dos quadrados
dos erros (ou desvios).
Para o ajuste da RLS e, posteriormente, para os testes de hipteses as seguintes pressuposies so bsicas:
i.
A relao entre as duas variveis linear.
ii.
Os valores de X so fixos, isto , X varivel determinstica.
iii.
A variabilidade de Y, para qualquer valor dado de X, sempre a mesma.
28/05/2014 15:54:16
iv.
O erro de uma observao no est correlacionado com o erro de outra

observao (erros no correlacionados).
v.
Para qualquer dado valor de X, Y tem distribuio condicional normal (

E ( y x ) = + x ; Var ( y x ) = 2 ).
Como descrito anteriormente, encontrar os estimadores de mnimos

quadrados para os parmetros (a, b) do modelo, consiste em considerar uma
amostra aleatria de n pares ( xi , yi ), i = 1,, n ; e minimizar a quantidade de
informao perdida pelo modelo, ou seja, a soma dos quadrados dos erros
dada por:
n
i=1
i=1
SQ (, ) = ei2 = ( yi ( + xi )) , com ei sendo o i-simo erro entre o

2
valor observado yi e o proposto pelo modelo E ( y xi ) = + xi .
Derivando SQ (, ) em relao a a e b e igualando a zero, tem-se que as

solues (ou a) e (ou b) devem satisfazer:
n
n + xi = yi ;
i=1
i=1
i=1
i=1
i=1
xi + xi2 = xi yi ;
as quais produzem as solues:

= a = y x ;
n
2
Sxy
2
2
= b = ; onde Sxx = ( xi x ) = xi nx e
i=1
i=1
Sxx
n
i=1
i=1
Sxy = ( xi x )( yi y ) = xi yi nxy .
Portanto, o modelo de regresso ajustado dado como:

y i = + xi = a + bxi = y + b( xi x ).
No experimento bioqumico, tem-se

n = 5 ; X : tempo(min) ; Y : quantidade hidrolisada (moles/L);
28/05/2014 15:54:16
106
= 4 + 8 + 12 + 16 + 20 = 60 , logo x =12 ;
2
i
= 42 + 82 + 122 + 162 + 202 = 880
i=1
5
i=1
Sxx = 880 5122 = 880 720 = 160 ;

5
= 6 + 16 + 23 + 33 + 41 = 119
y = 23, 8 ;
i=1
5
x y
i
= 46 + 816 + 1223 + 1633 + 20 41 = 1776 ;
i=1
Sxy = 1776 512, 023, 8 = 348 ;

b=
Sxy
Sxx
348
= 2,175 ;
160
a = y bx = 23, 8 2,17512 = 2, 3 ;
= 2, 3 + 2,175tempo .
logo, yi = 2, 3 + 2,175xi , isto , QtHid
O modelo yi = 2, 3 + 2,175xi , constitui-se num preditor da quantidade de

procana hidrolisada para qualquer tempo considerado no intervalo de 4min
a 20min. Alm disso, o valor 2,175 (denominado coeficiente angular da regresso) indica a variao da varivel Y por unidade de variao em X, ou
seja, para cada minuto decorrido a quantidade de procana hidrolisada tem
um acrscimo de 2,175 moles/litro.
O modelo estimado pode ser representado no sistema cartesiano por meio
de uma reta correspondente relao linear encontrada entre as variveis.
Ento, considerando yi = 2, 3 + 2,175xi , tem-se:
xi = 4 y i = 2, 3 + 2,175(4) = 6, 4 ;
xi = 20 y i = 2, 3 + 2,175(20) = 41, 2.
28/05/2014 15:54:26
Quantidade
Hidrolisada
40
30
20
y i = 2, 3 + 2,175xi
10
0
Tempo
7.3 COEFICIENTE DE DETERMINAO
O coeficiente de determinao (R2) indica a proporo da variao de Y

que explicada pela reta de regresso, ou seja, uma medida de preciso do
modelo. Portanto, sendo uma proporo seu valor varia entre zero e um, inclu2
sive (0 R 1) . Fica mais prtico interpretar quando seu valor expresso em
porcentagem, sendo 0% o caso extremo de impreciso do modelo e, opostamente, 100% a reteno de toda informao do fenmeno biolgico explicada
pelo modelo ajustado. Valores entre essas porcentagens limites so to pouco
ou mais representativos quanto aos prximos dos extremos que se alinharem.
O clculo do coeficiente de determinao (R2) envolve a relao entre a soma
de quadrados devida regresso e a soma total de quadrados expressa na seguinte frmula: R2 = SQRegresso =
SQTotal
Sxy2
Sxx S yy
. Se no existisse qualquer variao
em torno da reta de regresso (todos os pontos observados estivessem sobre

a reta estimada), no haveria resduos (erros) e, portanto, a soma de quadrados devida regresso coincidiria com a soma total de quadrados, resultando
R 2 = 1, 0 (100%) . Dificilmente essa condio acontece em biologia, uma vez que
existe sempre uma componente aleatria nas respostas biolgicas.

No experimento bioqumico, tem-se:
5
= 60 , com x =12 ;
i=1
= 119 , com y = 23, 8 ;
i=1
28/05/2014 15:54:34
108
xi2 = 880 ;
i=1
yi2 = 3591 ;
i=1
x y
i
= 1776 ; resultando,
i=1
Sxx =160 ; S yy = 758, 8 ; Sxy = 348 .
Logo, R2 =
3482
= 0, 9975(99, 75%) , mostrando que o modelo ajusta160758, 8
do explica 99,75% da variao da quantidade de procana hidrolisada em funo do tempo.
7.4 TESTE DO COEFICIENTE (ANGULAR) DE REGRESSO
H 0 : b = 0 (no existe RLS de Y em X)

H1 : b 0 (existe RLS de Y em X).
Sob a veracidade de H0, a estatstica do teste dada por t =
(n 2)R2
1 R 2
~ t(n2) ,
com a regra de deciso habitual (rejeita-se H0, quando t t(a 2;n2) ). Alternativamente o valor da estatstica pode ser obtido como:
t=
S2
1
b Sxx
S yy xy .
, onde Se2 =
Sxx
(n 2)
Se
No experimento bioqumico, tem-se
H 0 : b = 0 (ausncia de RLS da quantidade de procana hidrolisada sobre
o tempo)
H1 : b 0 (presena de RLS da quantidade de procana hidrolisada sobre
o tempo).
(5 2)0, 9975
= 34, 6( p < 0, 001) ;

1 0, 9975
a = 0, 05 e n 2 = 3 , tem-se t(0,025;3) = 3,18 , logo ( t > t(0,025;3) ) rejeita-se H0.
n = 5 e R 2 = 0, 9975 , ento t =
Alternativamente:
Sxx =160 ; S yy = 758, 8 ; Sxy = 348 e b = 2,175
1
3482
Se = 0, 7958
= 0, 6333
Se2 =
758, 8
52
160
28/05/2014 15:54:38
t=
2,175 160
= 34, 6( p < 0, 001)
0, 7958
Nesse sentido, conclui-se que existe regresso linear significativa (p<0,001)

da quantidade de procana hidrolisada em funo do tempo.
7.5 EXERCCIOS (REGRESSO LINEAR SIMPLES)
1.
Um laboratrio est interessado em medir o efeito da temperatura sobre a

potncia de um antibitico. Oito amostras de 50 gramas foram armazenadas a diferentes temperaturas, e aps uma semana mediu-se a potncia. Os
resultados esto descritos a seguir.
Temperatura (C)
30
38
46
54
62
70
78
86
Potncia
45
41
39
32
28
23
10
17
a.
Faa a representao grfica dos dados.
b.
Ajuste a regresso linear simples da potncia como funo da temperatura.
c.
2.
A que temperatura a potncia seria nula?
Sejam X (durao da viagem, em dias) e Y(despesa, em US$, com viagem).

Para uma amostra de 102 viagens, obteve-se:
= 4150 ;
= 740200 e
x = 510 ; y = 7140 ;
xy = 54900 .
a.
Qual a reta de regresso de Y em funo de X?
b.
Uma viagem ir durar sete dias. Qual a estimativa de despesa para a

viagem?
3.
Para construir um modelo linear relacionando a quantidade de erros datilogrficos (Y) e o tempo de experincia (X) em meses, constituiu-se uma
amostra casual de 10 funcionrios, obtendo-se os seguintes resultados numricos:
28/05/2014 15:54:56
110
n =10 ; x = 6, 0 ; y =17, 0 ; Sxx =100 ; S yy = 644 e r = 0, 993 .
4.
a.
Determine o modelo de regresso linear de Y em X.
b.
No nvel de significncia 5%, faa o teste de hiptese da regresso.
c.
Encontre o valor do coeficiente de determinao.
Os dados a seguir referem-se a precipitao anual (cm) e a produo de

algodo (kg/ha) de uma amostra de sete produtores de uma dada regio do
estado.
Precipitao
160
140
130
100
70
50
40
Produo
620
510
450
280
140
80
30
No nvel de significncia de 5%, verificar se existe RLS da produo de

algodo em funo de precipitao anual.
5.
Se os filhos fossem exatamente 3 cm mais altos do que seus pais, como

ficaria a reta de regresso que daria a altura dos filhos em funo da altura
dos pais?
6.
Considere os dados da idade (em dias) e o peso (em gramas) de ratos machos da raa Wistar.
Idade
25
28
30
32
34
35
38
40
42
43
45
46
47
48
49
50
Peso
62
61
66
69
74
75
80
82
88
89
91
95
95
97
99
99
Considerando o modelo RLS para o peso em funo da idade, quanto deve

ser o peso estimado de um rato com 33 dias de idade?
7.
Suponha que, com base em 16 pares de observaes, obteve-se as seguintes

informaes:
x = 896 ; y = 655 ; x
= 52300 ;
= 29652 ;
xy = 38368 . Qual a proporo da variabilidade total dos dados que

pode ser explicada pela regresso de Y em X?
28/05/2014 15:54:59
8.
Considere os valores de X e Y obtidos em uma amostra com cinco observaes.

X
16
12
Mostre com os dados que b = r

9.
S yy
Sxx
Numa anlise de RLS foram obtidos a partir de uma amostra de 6 pares de

valores X e Y, os seguintes resultados:
16
; sx = 3 (desvio padro de X); s y = 5 (desvio padro de Y); x = 3 e
25
y =10 .
R2 =
10.
a.
Qual a equao de RLS de Y em X?
b.
No nvel de significncia 5%, teste as hipteses H 0 : b = 0 H1 : b 0 .
Para os pares (1,6);(2,5);(3,3);(4,3);(6,1), determine a equao de RLS de Y

em X. Qual a variao de Y por unidade de variao de X?
11.
Um laboratrio est interessado em medir a influncia da temperatura sobre a potncia de um antibitico. Dez amostras de 50g cada foram guardadas a diferentes temperaturas, e aps 15 dias mediu-se a potncia (quadro
a seguir).
a.
Faa a representao grfica dos dados.
b.
Ajuste a reta da potncia como funo da temperatura.
c.
A que temperatura a potncia seria nula?

Temperatura (C)
12.
Potncia
30
38
50
32
26
43
33
70
19
27
23
90
14
21
Qual o indicador estatstico que fornece o acrscimo ou decrscimo de Y

esperado para cada variao unitria de X, numa relao linear entre Y e X?
28/05/2014 15:55:06
112
13.
Considere os seguintes pesos de pais e filhos, em kg.

Famlia
F1
F2
F3
F4
F5
F6
F7
F8
F9
F10
Peso do Pai
65
63
67
64
68
62
70
66
68
67
Peso do Filho
68
66
68
65
69
66
68
65
71
67
a.
Construir o diagrama de disperso.
b.
Estabelecer a regresso do peso do filho em funo do peso do pai.

Verificar a significncia considerando a=0,05.
14.
Suponha que, com base em 16 pares de observaes, obteve-se as seguintes

informaes:
x = 896; y = 655; x
= 52330; y 2 = 29652; xy = 38368
Utilizando essas informaes, responda as questes a seguir:

a.
Determine a regresso linear de Y em X.
b.
Qual a proporo da variabilidade total dos Y que pode ser explicada

pela regresso de Y em X?
15.
Considere os seguintes resultados de uma pesquisa envolvendo registro de

armas automticas e taxa de criminalidade em oito estados.
Armas automticas
11800
8300
3600
1800
6900
2600
4200
5960
Taxa de criminalidade(%)
18,1
16,8
9,4
6,4
14,6
8,8
10,6
11,8
Qual a predio linear para a taxa de criminalidade (%) em um estado com

10000 armas automticas registradas?
7.6 RESPOSTAS DOS EXERCCIOS (REGRESSO LINEAR SIMPLES)
1. b.
POTNCIA = 64,158 0, 600TEMPERATURA; 30 TEMP 86
c. TEMPERATURA =106, 93 C
2. a. Y (DESPESA) = 10 + 12 X (DURAO)
b. Y (DESPESA7 DIAS ) = U $94, 00
28/05/2014 15:55:11
3. a. Y = 32,12 2, 52 X
b. t = 23, 74 ( p < 0, 001)
c.
R 2 = 0, 986
= 181, 528 + 4, 900 PRECIP t = 27, 01( p < 0, 001)

4. PROD
5. ALT FILHO = 3 + ALT PAI
= 17, 011 + 1, 661 IDADE , 25 IDADE 50 .

6. PESO
(33DIAS ) = 71, 824gramas
PESO
7.
R 2 = 0, 676 (67,6% da variabilidade total dos dados explicada pelo mod-
elo).
8.
SXX =10 ;
SYY = 77, 2 ; SXY = 27
SYY
r = 0, 9718 ; b = 2, 7 ; r S = 2, 7
XX
Ou seja, fica mostrado que b = r SYY .
SXX
9. a. Y = 6, 01 + 1, 33 X , 1 X 6
b. t = 2, 67 ( p > 0, 05) .
10. Y = 6, 757 0, 986 X ;
ou seja, para cada unidade de X h uma decrscimo
de 0,986 unidades em Y .
= 50, 457 0, 381TEMP , 30 TEMP 90
11. b. POT
c. TEMP =132, 43 C
12.
Coeficiente de regresso linear ( b )
13. b. PFILHO
= 35, 479 + 0, 482PPAI ; 62 PPAI 70 ; t = 2, 34( p < 0, 05)
14. a. Y = 2, 8856 + 0, 7826 X
b. R 2 = 0, 4654 = 46, 54%
= 5, 304 + 0, 0012 ARMAS AUT ; TAXACRIM

15. TAXACRIM
(10000) = 17, 304%
28/05/2014 15:55:13
28/05/2014 15:55:28
8
BIBLIOGRAFIA
ANDRADE, D.F.; OGLIARI, P.J. Estatstica para as cincias agrrias e biolgicas com
noes de experimentao. 2.ed, Florianpolis: Editora UFSC, 2007.
BANZATTO, D.A. & KRONKA, S.N. Experimentao agrcola, 3ed. So Paulo: FUNEP,
2006.
BOX, G. E. P. Non-normality and tests on variances. Biometrika, v.20, p.318-335, 1953.
BUSSAB, W.O. Anlise de varincia e regresso. So Paulo: Atual, 1986.
BUSSAB, W.O.; MORETTIN, P.A. Estatstica bsica. 5. ed. So Paulo: Saraiva, 2003.
DEAN, A. M.; VOSS D. T. Design and analysis of experiments. New York: SpringerVerlag, 1999.
DRAPER, N. R.; SMITH, H. Applied regression analysis. 3. ed. New York: John Willey,
1998.
GOMES, F. P. Curso de estatstica experimentall 15 ed., So Paulo :FEALQ, 2009.
MLODINOW, L. O andar do bbado. Como o acaso determina nossas vidas. Rio de
Janeiro: Zahar, 2009.
MONTGOMERY, D.C. Design and analysis of experiment, 6. ed. New York: John Willey, 2005.
MOORE,D. A estatstica bsica e sua prtica. Rio de Janeiro: LTC Editora,1995.
NORMAN, G.R.; STREINER, D.L. Biostatistics: the bare essentials. 3. ed. St. Louis:
Mosby, 2008.
PADOVANI, C.R. Exerccios de estatstica bsica e experimental. Botucatu: Depto de
Bioestatstica, 2002.
PADOVANI, C.R. Planejamento de experimentos. Botucatu: Depto de Bioestatstica,
2009.
PERES, C.A.; SALDIVA, C.D. Planejamento de experimentos. So Paulo: 5. SINAPE,
1982.
SAMPAIO, I. B. M. Estatstica aplicada a experimentao animal, 3ed. Minas Gerais:
FEPMVZ, 2010.
28/05/2014 15:55:29
116
SALSBURG, D. Uma senhora toma ch como a estatstica revolucionou a cincia no

sculo XX. Rio de Janeiro: Zahar, 2009.
VIEIRA, S. Estatstica experimental. 2. ed. So Paulo: Atlas, 1999.
VIEIRA, S. Anlise de varincia (ANOVA). So Paulo: Atlas, 2006.
ZAR, J.H. Boestatistical analysis, 5. ed. New Jersey: Prentice-Hall, 2009.
28/05/2014 15:55:29
9
TABELAS
Tabela 9.1 Distribuio t de Student P (t 0 < t < t 0 ) = 1 a
Nvel de signicncia para o teste bilateral (a)
Nmero de graus
de liberdade
0,01
0,05
0,10
63,657
12,706
6,314
9,925
4,303
2,920
5,841
3,182
2,353
4,604
2,776
2,132
4,032
2,571
2,015
3,707
2,447
1,943
3,499
2,365
1,895
3,355
2,306
1,860
3,250
2,262
1,833
10
3,169
2,228
1,812
11
3,106
2,201
1,796
12
3,055
2,179
1,782
13
3,012
2,160
1,771
14
2,977
2,145
1,761
15
2,947
2,131
1,753
16
2,921
2,120
1,746
17
2,898
2,110
1,740
18
2,878
2,101
1,734
19
2,861
2,093
1,729
20
2,845
2,086
1,725
21
2,831
2,080
1,721
22
2,819
2,074
1,717
23
2,807
2,069
1,714
24
2,797
2,064
1,711
25
2,787
2,060
1,708
26
2,779
2,056
1,706
27
2,771
2,052
1,703
28
2,763
2,048
1,701
29
2,756
2,045
1,699
30
2,750
2,042
1,697
40
2,704
2,021
1,684
60
2,660
2,000
1,671
120
2,617
1,980
1,658
2,576
1,960
1,645
Interpolaes devem ser feitas com base nos recprocos dos graus de liberdade (interpolao harmnica)
28/05/2014 15:55:29
118
Tabela 9.2 Distribuio Qui-quadrado P (2 > 02 ) =
Graus de
liberdade
10%
5%
1%
2,71
3,84
6,64
4,60
5,99
9,21
6,25
7,82
11,34
7,78
9,49
13,28
9,24
11,07
15,09
10,64
12,59
16,81
12,02
14,07
18,48
13,36
15,51
20,09
14,68
16,92
21,67
10
15,99
18,31
23,21
11
17,28
19,68
24,72
12
18,55
21,03
26,22
13
19,81
22,36
27,69
14
21,06
23,68
29,14
15
22,31
25,00
30,58
16
23,54
26,30
32,00
17
24,77
27,59
33,41
18
25,99
28,87
34,80
19
27,20
30,14
36,19
20
28,41
31,41
37,57
21
29,62
32,67
38,93
22
30,81
33,92
40,29
23
32,01
35,17
41,64
24
33,20
36,42
42,98
25
34,38
37,65
44,31
26
35,56
38,88
45,64
27
36,74
40,11
46,96
28
37,92
41,34
48,28
29
39,09
42,56
49,59
30
40,26
43,77
50,89
28/05/2014 15:55:29
Tabelas | 119
Tabela 9.3 Distribuio F P (F > F0 ) = 0, 01
N de graus de
liberdade do
denominador
4052
5000
5403
5625
5764
5859
5928
5982
6022
98,50
99,00
99,20
99,20
99,30
99,30
99,40
99,40
99,40
34,10
30,80
29,50
28,70
28,20
27,90
27,70
27,50
27,30
21,20
18,00
16,70
16,00
15,50
15,20
15,00
14,80
14,70
16,30
13,30
12,10
11,40
11,00
10,70
10,50
10,30
10,20
13,70
10,90
9,78
9,15
8,75
8,47
8,26
8,10
7,98
12,20
9,55
8,45
7,85
7,46
7,19
6,99
6,84
6,72
11,30
8,65
7,59
7,01
6,63
6,37
6,18
6,03
5,91
N de graus de liberdade do numerador
10,60
8,02
6,99
6,42
6,06
5,80
5,61
5,47
5,35
10
10,00
7,56
6,55
5,99
5,64
5,39
5,20
5,06
4,94
11
9,65
7,21
6,22
5,67
5,32
5,07
4,89
4,74
4,63
12
9,33
6,93
5,95
5,41
5,06
4,82
4,64
4,50
4,39
13
9,07
6,70
5,74
5,21
4,86
4,62
4,44
4,30
4,19
14
8,86
6,51
5,56
5,04
4,69
4,46
4,28
4,14
4,03
15
8,68
6,36
5,42
4,89
4,56
4,32
4,14
4,00
3,89
16
8,53
6,23
5,29
4,77
4,44
4,20
4,03
3,89
3,78
17
8,40
6,11
5,18
4,67
4,34
4,10
3,93
3,79
3,68
18
8,29
6,01
5,09
4,58
4,25
4,01
3,84
3,71
3,60
19
8,18
5,93
5,01
4,50
4,17
3,94
3,77
3,63
3,52
20
8,10
5,85
4,94
4,43
4,10
3,87
3,70
3,56
3,46
21
8,02
5,78
4,87
4,37
4,04
3,81
3,64
3,51
3,40
22
7,95
5,72
4,82
4,31
3,99
3,76
3,59
3,45
3,35
23
7,88
5,66
4,76
4,26
3,94
3,71
3,54
3,41
3,30
24
7,82
5,61
4,72
4,22
3,90
3,67
3,50
3,36
3,26
25
7,77
5,57
4,68
4,18
3,85
3,63
3,46
3,32
3,22
26
7,72
5,53
4,64
4,14
3,82
3,59
3,42
3,29
3,18
27
7,68
5,49
4,60
4,11
3,78
3,56
3,39
3,26
3,15
28
7,64
5,45
4,57
4,07
3,75
3,53
3,36
3,23
3,12
29
7,60
5,42
4,54
4,04
3,73
3,50
3,33
3,20
3,09
30
7,56
5,39
4,51
4,02
3,70
3,47
3,30
3,17
3,07
40
7,31
5,18
4,31
3,83
3,51
3,29
3,12
2,99
2,89
60
7,08
4,98
4,13
3,65
3,34
3,12
2,95
2,82
2,72
120
6,85
4,79
3,95
3,48
3,17
2,96
2,79
2,66
2,56
6,63
4,61
3,78
3,32
3,02
2,80
2,64
2,51
2,41
28/05/2014 15:55:29
120
Tabela 9.4 Distribuio F P (F > F0 ) = 0, 05

N de graus de
liberdade do
denominador

1
161
200
216
225
230
234
237
239
241
18,50
19,00
19,20
19,20
19,30
19,30
19,40
19,40
19,40
10,10
9,55
9,28
9,12
9,01
8,94
8,89
8,85
8,81
7,71
6,94
6,59
6,39
6,26
6,16
6,09
6,04
6,00
6,61
5,79
5,41
5,19
5,05
4,95
4,88
4,82
4,77
5,99
5,14
4,76
4,53
4,39
4,28
4,21
4,15
4,10
5,59
4,74
4,35
4,12
3,97
3,87
3,79
3,73
3,68
5,32
4,46
4,07
3,84
3,69
3,58
3,50
3,44
3,39
5,12
4,26
3,86
3,63
3,48
3,37
3,29
3,23
3,18
10
4,96
4,10
3,71
3,48
3,33
3,22
3,14
3,07
3,02
11
4,84
3,98
3,59
3,36
3,20
3,09
3,01
2,95
2,90
12
4,75
3,89
3,49
3,26
3,11
3,00
2,91
2,85
2,80
13
4,67
3,81
3,41
3,18
3,03
2,92
2,83
2,77
2,71
14
4,60
3,74
3,34
3,11
2,96
2,85
2,76
2,70
2,65
15
4,54
3,68
3,29
3,06
2,90
2,79
2,71
2,64
2,59
16
4,49
3,63
3,24
3,01
2,85
2,74
2,66
2,59
2,54
17
4,45
3,59
3,20
2,96
2,81
2,70
2,61
2,55
2,49
18
4,41
3,55
3,16
2,93
2,77
2,66
2,58
2,51
2,46
19
4,38
3,52
3,13
2,90
2,74
2,63
2,54
2,48
2,42
20
4,35
3,49
3,10
2,87
2,71
2,60
2,51
2,45
2,39
21
4,32
3,47
3,07
2,84
2,68
2,57
2,49
2,42
2,37
22
4,30
3,44
3,05
2,82
2,66
2,55
2,46
2,40
2,34
23
4,28
3,42
3,03
2,80
2,64
2,53
2,44
2,37
2,32
24
4,26
3,40
3,01
2,78
2,62
2,51
2,42
2,36
2,30
25
4,24
3,39
2,99
2,76
2,60
2,49
2,40
2,34
2,28
26
4,23
3,37
2,98
2,74
2,59
2,47
2,39
2,32
2,27
27
4,21
3,35
2,96
2,73
2,57
2,46
2,37
2,31
2,25
28
4,20
3,34
2,95
2,71
2,56
2,45
2,36
2,29
2,24
29
4,18
3,33
2,93
2,70
2,55
2,43
2,35
2,28
2,22
30
4,17
3,32
2,92
2,69
2,53
2,42
2,33
2,27
2,21
40
4,08
3,23
2,84
2,61
2,45
2,34
2,25
2,18
2,12
60
4,00
3,15
2,76
2,53
2,37
2,25
2,17
2,10
2,04
120
3,92
3,07
2,68
2,45
2,29
2,17
2,09
2,02
1,96
3,84
3,00
2,60
2,37
2,21
2,10
2,01
1,94
1,88
28/05/2014 15:55:29
Tabelas | 121
Tabela 9.5 Distribuio F P (F > F0 ) = 0,10

N de graus de
liberdade do
denominador

1
39,9
49,5
53,6
55,8
57,2
58,2
58,9
59,4
59,9
8,53
9,00
9,16
9,24
9,29
9,33
9,35
9,37
9,38
5,54
5,46
5,39
5,34
5,31
5,28
5,27
5,25
5,24
4,54
4,32
4,19
4,11
4,05
4,01
3,98
3,95
3,94
4,06
3,78
3,62
3,52
3,45
3,40
3,37
3,34
3,32
3,78
3,46
3,29
3,18
3,11
3,05
3,01
2,98
2,96
3,59
3,26
3,07
2,96
2,88
2,83
2,78
2,75
2,72
3,46
3,11
2,92
2,81
2,73
2,67
2,62
2,59
2,56
3,36
3,01
2,81
2,69
2,61
2,55
2,51
2,47
2,44
10
3,29
2,92
2,73
2,61
2,52
2,46
2,41
2,38
2,35
11
3,23
2,86
2,66
2,54
2,45
2,39
2,34
2,30
2,27
12
3,18
2,81
2,61
2,48
2,39
2,33
2,28
2,24
2,21
13
3,14
2,76
2,56
2,43
2,35
2,28
2,23
2,20
2,16
14
3,10
2,73
2,52
2,39
2,31
2,24
2,19
2,15
2,12
15
3,07
2,70
2,49
2,36
2,27
2,21
2,16
2,12
2,09
16
3,05
2,67
2,46
2,33
2,24
2,18
2,13
2,09
2,06
17
3,03
2,64
2,44
2,31
2,22
2,15
2,10
2,06
2,03
18
3,01
2,62
2,42
2,29
2,20
2,13
2,08
2,04
2,00
19
2,99
2,61
2,40
2,27
2,18
2,11
2,06
2,02
1,98
20
2,97
2,59
2,38
2,25
2,16
2,09
2,04
2,00
1,96
21
2,96
2,57
2,36
2,23
2,14
2,08
2,02
1,98
1,95
22
2,95
2,56
2,35
2,22
2,13
2,06
2,01
1,97
1,93
23
2,94
2,55
2,34
2,21
2,11
2,05
1,99
1,95
1,92
24
2,93
2,54
2,33
2,19
2,10
2,04
1,98
1,94
1,91
25
2,92
2,53
2,32
2,18
2,09
2,02
1,97
1,93
1,89
26
2,91
2,52
2,31
2,17
2,08
2,01
1,96
1,92
1,88
27
2,90
2,51
2,30
2,17
2,07
2,00
1,95
1,91
1,87
28
2,89
2,50
2,29
2,16
2,06
2,00
1,94
1,90
1,87
29
2,89
2,50
2,28
2,15
2,06
1,99
1,93
1,89
1,86
30
2,88
2,49
2,28
2,14
2,05
1,98
1,93
1,88
1,85
40
2,84
2,44
2,23
2,09
2,00
1,93
1,87
1,83
1,79
60
2,79
2,39
2,18
2,04
1,95
1,87
1,82
1,77
1,74
120
2,75
2,35
2,13
1,99
1,90
1,82
1,77
1,72
1,68
2,71
2,30
2,08
1,94
1,85
1,77
1,72
1,67
1,63
28/05/2014 15:55:30
90
14,0
8,26
6,51
5,70
5,24
4,95
4,74
4,60
4,48
4,39
4,32
4,26
4,21
4,17
4,13
4,10
4,07
4,05
10
11
12
13
14
15
16
17
18
19
4,67
4,70
4,74
4,78
4,83
4,89
4,96
5,04
5,14
5,27
5,43
5,63
5,92
6,33
6,97
8,12
10,6
19,0
135
5,05
5,09
5,14
5,19
5,25
5,32
5,40
5,50
5,62
5,77
5,96
6,20
6,54
7,03
7,80
9,17
12,2
22,3
164
5,33
5,38
5,43
5,49
5,56
5,63
5,73
5,84
5,97
6,14
6,35
6,63
7,01
7,56
8,42
9,96
13,3
24,7
186
5,55
5,60
5,66
5,72
5,80
5,88
5,98
6,10
6,25
6,43
6,66
6,96
7,37
7,97
8,91
10,60
14,2
26,6
202
5,73
5,79
5,85
5,92
5,99
6,08
6,19
6,32
6,48
6,67
6,91
7,24
7,68
8,32
9,32
11,10
15,0
28,2
216
5,89
5,94
6,01
6,08
6,16
6,26
6,37
6,51
6,67
6,87
7,13
7,47
7,94
8,61
9,67
11,50
15,6
29,5
227
6,02
6,08
6,15
6,22
6,31
6,41
6,53
6,67
6,84
7,05
7,32
7,68
8,17
8,87
9,97
11,90
16,2
30,7
237
6,14
6,20
6,27
6,35
6,44
6,54
6,67
6,81
6,99
7,21
7,49
7,87
8,37
9,10
10,20
12,30
16,7
31,7
246
10
6,25
6,31
6,38
6,46
6,55
6,66
6,79
6,94
7,13
7,36
7,65
8,03
8,55
9,30
10,50
12,60
17,1
32,6
253
11
6,34
6,41
6,48
6,56
6,66
6,77
6,90
7,06
7,25
7,48
7,78
8,18
8,71
9,49
10,70
12,80
17,5
33,4
260
12
Nmero de tratamentos (k)
Distribuio studentized range [ q(0,01;) ] : Tukey (1%)
N de graus de
liberdade do
resduo
Tabela 9.6
6,43
6,50
6,57
6,66
6,76
6,87
7,01
7,17
7,36
7,60
7,91
8,31
8,86
8,65
10,90
13,10
17,9
34,1
266
13
6,51
6,58
6,66
6,74
6,84
6,96
7,10
7,26
7,46
7,71
8,03
8,44
9,00
9,81
11,10
13,30
18,2
34,8
272
14
6,58
6,65
6,73
6,82
6,93
7,05
7,19
7,36
7,56
7,81
8,13
8,55
9,12
9,95
11,20
13,50
18,5
35,4
277
15
6,65
6,72
6,80
6,90
7,00
7,12
7,27
7,44
7,65
7,91
8,23
8,66
9,24
10,10
11,40
13,70
18,8
36,0
282
16
6,72
6,79
6,87
6,97
7,07
7,20
7,34
7,52
7,73
7,99
8,32
8,76
9,35
10,20
11,60
13,90
19,1
36,5
286
17
6,78
6,85
6,94
7,03
7,14
7,27
7,42
7,59
7,81
8,07
8,41
8,85
9,46
10,30
11,70
14,10
19,3
37,0
290
18
6,84
6,91
7,00
7,09
7,20
7,33
7,48
7,66
7,88
8,15
8,49
8,94
9,55
10,40
11,80
14,20
19,5
37,5
294
19
122
28/05/2014 15:55:30
4,37
4,28
3,89
3,82
3,76
3,70
3,64
30
40
60
120
4,12
4,20
4,45
4,54
3,96
24
4,64
4,02
20
4,40
4,50
4,60
4,70
4,80
4,91
5,02
4,60
4,71
4,82
4,93
5,05
5,17
5,29
4,76
4,87
4,99
5,11
5,24
5,37
5,51
4,88
5,01
5,13
5,27
5,40
5,54
5,69
4,99
5,12
5,25
5,39
5,54
5,69
5,84
5,08
5,21
5,36
5,50
5,65
5,81
5,97
5,16
5,30
5,45
5,60
5,76
5,92
6,09
5,23
5,38
5,53
5,69
5,85
6,02
6,19
5,29
5,44
5,60
5,77
5,93
6,11
6,29
5,35
5,51
5,67
5,84
6,01
6,19
6,37
5,40
5,56
5,73
5,90
6,08
6,26
6,45
5,45
5,61
5,79
5,96
6,14
6,33
6,52
5,49
5,66
5,84
6,02
6,20
6,39
6,59
5,54
5,71
5,89
6,07
6,26
6,45
6,65
5,57
5,75
5,93
6,12
6,31
6,51
6,71
5,61
5,79
5,98
6,17
6,36
6,56
6,76
Tabelas | 123
28/05/2014 15:55:30
18
6,08
4,50
3,93
3,64
3,46
3,34
3,26
3,20
3,15
3,11
3,08
3,06
3,03
3,01
3,00
2,98
2,97
2,96
10
11
12
13
14
15
16
17
18
19
N de graus de
liberdade do
resduo
3,59
3,61
3,63
3,65
3,67
3,70
3,73
3,77
3,82
3,88
3,95
4,04
4,16
4,34
4,60
5,04
5,9
8,33
27
3,98
4,00
4,02
4,05
4,08
4,11
4,15
4,20
4,26
4,33
4,41
4,53
4,68
4,90
5,22
5,76
6,8
9,80
32,8
4,25
4,28
4,30
4,33
4,37
4,41
4,45
4,51
4,57
4,65
4,76
4,89
5,06
5,30
5,67
6,29
7,5
10,9
37,1
4,47
4,49
4,52
4,56
4,59
4,64
4,69
4,75
4,82
4,91
5,02
5,17
5,36
5,63
6,03
6,71
8,0
11,7
40,4
4,65
4,67
4,70
4,74
4,78
4,83
4,88
4,95
5,03
5,12
5,24
5,40
5,61
5,90
6,33
7,05
8,5
12,4
43,1
4,79
4,82
4,86
4,90
4,94
4,99
5,05
5,12
5,20
5,30
5,43
5,60
5,82
6,12
6,58
7,35
8,9
13,0
45,4
4,92
4,96
4,99
5,03
5,08
5,13
5,19
5,27
5,35
5,46
5,59
5,77
6,00
6,32
6,80
7,60
9,2
13,5
47,4
5,04
5,07
5,11
5,15
5,20
5,25
5,32
5,39
5,49
5,60
5,74
5,92
6,16
6,49
6,99
7,83
9,5
14,0
49,1
10
5,14
5,17
5,21
5,26
5,31
5,36
5,43
5,51
5,61
5,72
5,87
6,05
6,30
6,65
7,17
8,03
9,7
14,4
50,6
11
5,23
5,27
5,31
5,35
5,40
5,46
5,53
5,61
5,71
5,83
5,98
6,18
6,43
6,79
7,32
8,21
10,0
14,7
52
12
Tabela 9.7 Distribuio studentized range [ q(0,05;) ] : Tukey (5%)
5,31
5,35
5,39
5,44
5,49
5,55
5,63
5,71
5,81
5,93
6,09
6,29
6,55
6,92
7,47
8,37
10,2
15,1
53,2
13
5,39
5,43
5,47
5,52
5,57
5,64
5,71
5,80
5,90
6,03
6,19
6,39
6,66
7,03
7,60
8,52
10,3
15,4
54,3
14
5,46
5,50
5,54
5,59
5,65
5,71
5,79
5,88
5,98
6,11
6,28
6,48
6,76
7,14
7,72
8,66
10,5
15,7
55,4
15
5,53
5,57
5,61
5,66
5,72
5,79
5,86
5,95
6,06
6,19
6,36
6,57
6,85
7,24
7,83
8,79
10,7
15,9
56,3
16
5,59
5,63
5,67
5,73
5,78
5,85
5,93
6,02
6,13
6,27
6,44
6,65
6,94
7,34
7,93
8,91
10,8
16,1
57,2
17
5,65
5,69
5,73
5,79
5,85
5,91
5,99
6,09
6,20
6,34
6,51
6,73
7,02
7,43
8,03
9,03
11,0
16,4
58
18
5,70
5,74
5,79
5,84
5,90
5,97
6,05
6,15
6,27
6,40
6,58
6,80
7,10
7,51
8,12
9,13
11,1
16,6
58,8
19
5,75
5,79
5,84
5,90
5,96
6,03
6,11
6,21
6,33
6,47
6,64
6,87
7,17
7,59
8,21
9,23
11,2
16,8
59,6
20
124
28/05/2014 15:55:30
3,44
3,40
2,89
2,86
2,83
2,80
2,77
30
40
60
120
3,31
3,36
3,49
3,53
2,92
24
3,58
2,95
20
3,63
3,68
3,74
3,79
3,85
3,90
3,96
3,86
3,92
3,98
4,04
4,10
4,17
4,23
4,03
4,10
4,16
4,23
4,30
4,37
4,45
4,17
4,24
4,31
4,39
4,46
4,54
4,62
4,29
4,36
4,44
4,52
4,60
4,68
4,77
4,39
4,47
4,55
4,63
4,72
4,81
4,90
4,47
4,56
4,65
4,73
4,82
4,92
5,01
4,55
4,64
4,73
4,82
4,92
5,01
5,11
4,62
4,71
4,81
4,90
5,00
5,10
5,20
4,68
4,78
4,88
4,98
5,08
5,18
5,28
4,74
4,84
4,94
5,04
5,15
5,25
5,36
4,80
4,90
5,00
5,11
5,21
5,32
5,43
4,85
4,95
5,06
5,16
5,27
5,38
5,49
4,89
5,00
5,11
5,22
5,33
5,44
5,55
4,93
5,04
5,15
5,27
5,38
5,49
5,61
4,97
5,09
5,20
5,31
5,43
5,55
5,66
5,01
5,13
5,24
5,36
5,47
5,59
5,71
Tabelas | 125
28/05/2014 15:55:31
3,32
3,27
3,33
3,01
2,85
2,75
2,68
2,63
2,59
2,56
2,54
2,52
2,50
2,49
2,48
2,47
2,46
2,45
2,45
10
11
12
13
14
15
16
17
18
19
3,09
3,10
3,11
3,12
3,14
3,16
3,18
3,20
3,23
3,37
3,45
3,56
3,72
3,98
4,47
5,73
4,13
13,40
8,93
3,47
3,49
3,50
3,52
3,54
3,56
3,59
3,62
3,66
3,70
3,76
3,83
3,93
4,07
4,26
4,59
5,20
6,77
16,40
3,75
3,77
3,78
3,80
3,83
3,85
3,88
3,92
3,96
4,02
4,08
4,17
4,28
4,44
4,66
5,03
5,74
7,54
18,50
3,97
3,98
4,00
4,03
4,05
4,08
4,12
4,16
4,20
4,26
4,34
4,43
4,55
4,73
4,98
5,39
6,16
8,14
20,20
4,14
4,16
4,18
4,21
4,23
4,27
4,30
4,35
4,40
4,47
4,54
4,65
4,78
4,97
5,24
5,68
6,51
8,63
21,50
4,29
4,31
4,33
4,36
4,39
4,42
4,46
4,51
4,57
4,64
4,72
4,83
4,97
5,17
5,46
5,93
6,81
9,05
22,60
4,42
4,44
4,46
4,49
4,52
4,56
4,60
4,65
4,71
4,78
4,87
4,99
5,14
5,34
5,65
6,14
7,06
9,41
23,60
4,53
4,55
4,58
4,61
4,64
4,68
4,72
4,78
4,84
4,91
5,01
5,13
5,28
5,50
5,82
6,33
7,29
9,72
24,50
10
4,63
4,65
4,68
4,71
4,75
4,79
4,83
4,89
4,95
5,03
5,13
5,25
5,41
5,64
5,97
6,49
7,49
10,00
25,20
11
4,72
4,75
4,77
4,81
4,84
4,88
4,93
4,99
5,05
5,13
5,23
5,36
5,53
5,76
6,10
6,65
7,67
10,30
25,90
12
Distribuio studentized range [ q(0,10;) ] : Tukey (10%)
N de graus
de liberdade
do resduo
Tabela 9.8
13
4,80
4,83
4,86
4,89
4,93
4,97
5,02
5,08
5,15
5,23
5,33
5,46
5,64
5,87
6,22
6,78
7,83
10,50
26,50
14
4,88
4,90
4,93
4,97
5,01
5,05
5,10
5,16
5,23
5,32
5,42
5,56
5,74
5,98
6,34
6,91
7,98
10,70
27,10
15
4,95
4,98
5,01
5,04
5,08
5,12
5,18
5,24
5,31
5,40
5,51
5,64
5,83
6,07
6,44
7,02
8,12
10,90
27,60
16
5,01
5,04
5,07
5,11
5,15
5,19
5,25
5,31
5,38
5,47
5,58
5,72
5,91
6,16
6,54
7,13
8,25
11,10
28,10
17
5,07
5,10
5,13
5,17
5,21
5,26
5,31
5,37
5,45
5,54
5,66
5,80
5,99
6,25
6,63
7,23
8,37
11,20
28,50
18
5,13
5,16
5,19
5,23
5,27
5,32
5,37
5,44
5,51
5,61
5,72
5,87
6,06
6,32
6,71
7,33
8,48
11,40
29,00
19
5,18
5,21
5,24
5,28
5,32
5,37
5,43
5,49
5,57
5,67
5,79
5,93
6,13
6,40
6,79
7,41
8,58
11,50
29,30
20
5,23
5,26
5,30
5,33
5,38
5,43
5,48
5,55
5,63
5,73
5,85
6,00
6,19
6,47
6,86
7,50
8,68
11,70
29,70
126
28/05/2014 15:55:31
2,99
2,96
2,40
2,38
2,36
2,34
2,33
30
40
60
120
2,90
2,93
3,02
3,05
2,42
24
3,08
2,44
20
3,24
3,28
3,31
3,35
3,39
3,42
3,46
3,48
3,52
3,56
3,60
3,65
3,69
3,74
3,66
3,71
3,75
3,80
3,85
3,90
3,95
3,81
3,86
3,91
3,96
4,02
4,07
4,12
3,93
3,99
4,04
4,10
4,16
4,21
4,27
4,04
4,10
4,16
4,21
4,28
4,34
4,40
4,13
4,19
4,25
4,32
4,38
4,44
4,51
4,21
4,28
4,34
4,41
4,47
4,54
4,61
4,28
4,35
4,42
4,49
4,56
4,63
4,70
4,35
4,42
4,49
4,56
4,64
4,71
4,78
4,41
4,48
4,56
4,63
4,71
4,78
4,85
4,47
4,54
4,62
4,69
4,77
4,85
4,92
4,52
4,60
4,67
4,75
4,83
4,91
4,99
4,57
4,65
4,73
4,81
4,89
4,97
5,05
4,61
4,69
4,78
4,86
4,94
5,02
5,10
4,65
4,74
4,82
4,90
4,99
5,07
5,16
4,69
4,78
4,86
4,95
5,03
5,12
5,20
Tabelas | 127
28/05/2014 15:55:31
128
Tabela 9.9 Valores crticos do coeciente de correlao linear de Pearson (teste bilateral)
a=0,05
a=0,01
0,95
0,99
0,878
0,959
0,811
0,917
0,754
0,874
0,707
0,834
0,666
0,798
10
0,632
0,765
11
0,602
0,735
12
0,576
0,708
13
0,553
0,684
14
0,532
0,661
15
0,514
0,641
16
0,497
0,623
17
0,482
0,606
18
0,468
0,59
19
0,456
0,575
20
0,444
0,561
21
0,433
0,549
22
0,423
0,537
23
0,413
0,526
24
0,404
0,515
25
0,396
0,505
26
0,388
0,496
27
0,381
0,487
28
0,374
0,478
29
0,367
0,47
30
0,361
0,463
35
0,335
0,43
40
0,312
0,402
45
0,294
0,378
50
0,279
0,361
60
0,254
0,33
70
0,236
0,305
80
0,22
0,286
90
0,207
0,269
100
0,196
0,256
28/05/2014 15:55:31
Cultura
Acadmica
Carlos Roberto Padovani professor titular de Bioestatstica do Instituto de Biocincias, Unesp, cmpus de Botucatu, tendo atuado como professor e/ou orientador
de Programas de Ps-Graduao da USP, Unicamp, Unesp, UFMT e UnB. Foi bolsista produtividade do CNPq; membro da Comisso de Avaliao de Programas de
Ps-Graduao junto Capes; coordenador da rea de Cincias Biolgicas junto
Runesp, presidente da Regio Brasileira da Sociedade Internacional de Biometria.
Atualmente ministra disciplinas da rea de Estatstica na graduao e de Bioestatstica
e Metodologia da Pesquisa Cientfica em vrios programas de Ps-Graduao na Unesp,
com orientaes em nvel de Mestrado e Doutorado e superviso de Ps-Doutorado.
O texto apresenta noes bsicas, histricas e conceituais de delineamentos experimentais, em particular dos planejamentos inteiramente casualizado e em blocos completos
casualizados, complementado com os esquemas fatoriais, correlao e regresso linear
simples e testes de aderncia e associao para variveis categorizadas. A abordagem no
os clculos estatsticos, mas sim, trazendo realidade o planejamento e o desenvolvimento
da experimentao aos alunos das reas de Cincias Biolgicas e da Sade.
Capa_Delineamento_minha versao.indd 1
realizada sob o aspecto tradicional de frmulas e uso de pacotes computacionais para
19/05/2014 18:17:16

Delineamento Experimentos P Liv Virtual PDF

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Delineamento Experimentos P Liv Virtual PDF

Încărcat de

Drepturi de autor:

Formate disponibile

Carlos Roberto Padovani

Carlos Roberto Padovani

realizada sob o aspecto tradicional de frmulas e uso de pacotes computacionais para

Universidade Estadual Paulista

Carlos Roberto Padovani

Pr-Reitoria de Graduao, Universidade Estadual Paulista, 2014.

Padovani, Carlos Roberto

Pr-reitorr Laurence Duarte Colvara

Projeto grfico e diagramao Andrea Yanaguita

Delineamento Inteiramente Casualizado (DIC) 20

Delineamento em Blocos Completos Casualizados (DBCC)

Anlise de Aderncia e Associao 75

Exerccios (Testes de Aderncia e Associao) 84

Correlao Linear Simples 89

Regresso Linear Simples 101

Tabela 9.1 Distribuio t de Student

Tabela 9.2 Distribuio Qui-quadrado

Tabela 9.3 Distribuio F

Tabela 9.4 Distribuio F

Tabela 9.5 Distribuio F

Tabela 9.6 Distribuio studentized range [ q(0 ,01;) ] : Tukey (1%)

Tabela 9.7 Distribuio studentized range [ q(0 ,05;) ] : Tukey (5%)

Tabela 9.8 Distribuio studentized range [ q(0 ,10 ;) ] : Tukey (10%)

Tabela 9.9 Valores crticos do coeficiente de correlao linear de Pearson

Sir Ronald Aylmer Fisher (1890-1962) nasceu em Londres no dia 17 de

Embora o uso de grupo controle j esteja consagrado em experimentao,

1.2 DELINEAMENTO OU PLANEJAMENTO OU DESENHO (DESIGN) DO

Existe uma semelhana muito expressiva entre o mdico e o estatstico

Vericao das hipteses (3)

Uma pesquisa cientfica estatisticamente planejada deve seguir a seguinte

Indicao dos fatores (variveis independentes variveis controladas

Indicao da unidade experimental (parcela). Deve ser definida no sentido

Indicao das variveis (variveis respostas) que sero medidas na unidade

Anlise estatstica dos dados do experimento (tem como objetivo verificar

Para melhor entendimento das caractersticas e as etapas do planejamento

a unidade experimental (animal rato Wistar);

PF o peso final e PI o peso inicial;

tratamentos em comparao (dieta normocalrica e dieta hipercalrica);

forma de designar os tratamentos s unidades experimentais (por sorteio)

o nmero de ratos de cada dieta ser de 12 unidades.

o (fidedignidade) e a repetio (exequibilidade).

sero as informaes sobre os possveis comportamentos do mesmo. Ou seja,

1.3 DELINEAMENTOS EXPERIMENTAIS

No contexto do planejamento de um experimento, torna-se essencial

Delineamento Inteiramente Casualizado (DIC)

Delineamento em Blocos Completos Casualizados (DBCC)

Unidade experimental: paciente com a doena.

4.2 Planeje um experimento para comparar quatro mtodos de ensino da Linguagem

Unidade experimental: aluno da turma.

Tratamentos em comparao: mtodos A, B, C, D.

2.2 MODELO DO EXPERIMENTO DIC COM DADOS BALANCEADOS

variveis auxiliares covariveis, pois estes podem reduzir o erro experimental).

sendo i o ndice referente ao tratamento e j unidade experimental.

2.3 PROCEDIMENTO ESTATSTICO: ANLISE DE VARINCIA

A anlise de varincia (ANOVA), embora exija o clculo de varincias,

Delineamento Inteiramente Casualizado (DIC) | 23

INDEPENDNCIA DOS ERROS

grupo), i = 1,..., k; j = 1,..., r .

(resduo padronizado relativo j-

sima observao do i-simo grupo ), onde QMRes significa Quadrado Mdio

Para o entendimento da regra prtica considere um conjunto homogneo

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

Ganhos de peso segundo dieta (g)