EST 220 – Estatística Experimental 1o período letivo de 2009

Professores: José Ivo Ribeiro Júnior Nerilson Terra Santos Sebastião Martins Filho

OBSERVAÇÃO: O conteúdo desta apostila é o mesmo que o utilizado nos períodos I e II de 2008. Por esta razão, o cabeçalho dos capítulos contém a informação I/2008 ao invés de I/2009.

UNIVERSIDADE FEDERAL DE VIÇOSA Departamento de Informática EST 220 − Estatística Experimental – 1o período letivo de 2009

1. Conteúdo
Cap. 1 − Testes de Hipóteses Cap. 2 − Contrastes Cap. 3 − Introdução à Experimentação Cap. 4 − Delineamento Inteiramente Casualizado Cap. 5 − Procedimentos para Comparações Múltiplas Cap. 6 − Delineamento em Blocos Casualizados Cap. 7 − Delineamento em Quadrado Latino Cap. 8 − Experimentos Fatoriais Cap. 9 − Experimentos em Parcelas Subdivididas Cap.10 – Regressão

2. Avaliação
O sistema de avaliação constará de três provas, com pesos iguais. As datas das provas estão apresentadas no planejamento da disciplina em anexo. O assunto pertinente as 1a, 2a e 3a provas, será divulgado em sala de aula na semana que a prova ocorrerá. Também nesta semana, o professor informará em sala de aula, a distribuição dos estudantes às salas de prova de acordo com o número de matrícula dos estudantes. O estudante que perdeu a 1a ou a 2a ou a 3a prova, por qualquer motivo que seja (viagem de caráter particular, atestado médico, participação em congressos, etc.), poderá fazer a Prova Substitutiva. Esta prova substitutiva abordará todo o assunto do semestre. Não é necessário apresentar justificativa para fazer a prova substitutiva. A data da prova substitutiva também se encontra no planejamento em anexo. Além de levar documento com foto para fins de fiscalização durante qualquer uma das provas, o estudante deve também levar o seu conjunto de tabelas, pois as mesmas são de uso individual. Estas tabelas não devem conter nenhuma informação adicional. A existência de tais informações adicionais implica o uso de cola, estando o estudante sujeito às penalidades previstas no regimento da Universidade Federal de Viçosa. Os alunos que não obtiverem média final para aprovação, poderão realizar a prova final, cujo assunto é toda a matéria lecionada durante o período letivo. Divulgação das Notas de Provas As notas da 1ª e 2ª provas serão divulgadas no máximo, até 3 semanas após a realização de cada uma delas. Já as provas 3a e substitutiva terão as notas divulgadas até 3 dias após a realização da prova substitutiva. Revisão de Prova O coordenador marcará um período ÚNICO de revisão para cada uma das provas. O estudante deve respeitar este período de revisão, pois não serão abertas exceções para que o estudante faça a revisão de suas provas fora do período de revisão estabelecido.

Normalmente as revisões das provas, são realizadas com o monitor, no horário de monitoria na sala 301 B do prédio do CCE, mesmo que a monitoria regular esteja marcada para outro local. Nos horários marcados para revisão o monitor não poderá dar atendimento aos alunos.

3. Monitoria
O horário e local de monitoria, será divulgado na 3a semana de aula. Será solicitado ao monitor agendar horários extras na semana de cada prova. O local destes horários extras será divulgado no quadro de avisos da estatística no prédio do CCE (quadro próximo a sala de monitoria).

4. Bibliografia
É suposto que o estudante venha para todas as aulas com uma cópia da apostila EST 220 – Estatística Experimental 1º Período Letivo de 2009 a qual se encontra a disposição para ser copiada em local a ser mencionado em sala de aula. Além desta referência, o aluno pode complementar o assunto abordado nesta disciplina com leitura nas seguintes literaturas: 1. BANZATTO, D.A. & KRONKA, S.N. Experimentação Agrícola. Jaboticabal, FUNESP, 1989. 249 p. (Referência para os Capítulos: 4, 6, 8 e 9). 2. COSTA NETO, P.L.O. Estatística. São Paulo, Ed. Edgard Blücher Ltda, 1977. 264 p. (Referência para o Capítulo: 1). 3. GOMES, F.P. Curso de Estatística Experimental. 12a ed., São Paulo, Livraria Nobel S.A., 1987. 467 p. (Referência para os Capítulos: 3, 4, 5, 6, 7, 8 e 9). 4. HOFFMANN, R. & VIEIRA, S. Análise de Regressão − Uma Introdução à Econometria. 2a ed., São Paulo, Ed. Hucitec, 1983. 379 p. (Referência para o Capítulo: 10). 5. MONTGOMERY, D.C. e RUNGER, G. C. Estatística Aplicada e Probabilidade para Engenheiros. Rio de Janeiro. LTC – Livros Técnicos, 2003, 463p. (Referência para os Capítulos: 3, 4, 5, 6, 7, 8 e 10). 6. VIEIRA, S. & HOFFMANN, R. Estatística Experimental. São Paulo, Ed. Atlas S.A., 1989. 179 p. (Referência para os Capítulos: 3, 4, 6, 8, 9 e 10).

5. Professores
Prof. José Ivo Ribeiro Júnior − CCE 306B − 3899-1783 Prof. Nerilson T. Santos (Coordenador) – CCE 312B – 3899-1784 Prof. Sebastião Martins Filho – CCE 316B – 3899-1773

6. Horários das Turmas de EST 220
Hora 8–10 10–12 T5–J. Ivo–PVB101 14–16 T3–Nerilson–PVB209 16–18 T2–Nerilson–PVB208 T3–Nerilson–PVB209 2ª Feira 3ª Feira T1– Sebastião – PVA107 T4–J. Ivo–PVB107 4ª Feira 5ª Feira T5–J. Ivo–PVB101 T1–Sebastião –PVA107 T4–J. Ivo–PVB107 T2–Nerilson–PVB208 6ª Feira

EST220 – Planejamento de Aulas – 1º Período Letivo de 2009 Aula 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 Semana 02/03 a 06/03 1ª 2ª 09/03 a 13/03 1ª 2ª 16/03 a 20/03 1ª 2ª 30/03 a 03/04 1ª 2ª 06/04 a 10/04 1ª 2ª 13/04 a 17/04 1ª 2ª 3ª 20/04 a 24/04 1ª 2ª 27/04 a 01/05 1ª 2ª 04/05 a 08/05 1ª 2ª 11/05 a 15/05 1ª 2ª 18/05 a 22/05 1ª 2ª 25/05 a 29/05 1ª 2ª 3ª 01/06 a 05/06 1ª 2ª 08/06 a 12/06 1ª 2ª 15/06 a 19/06 1ª 2ª 22/06 a 26/06 1ª 2ª 3ª 29/06 a 03/07 1ª 2ª 3ª Assunto Apresentação da disciplina Testes de hipóteses: conceitos Teste t para uma média Teste t para duas médias independentes Teste t para duas médias dependentes Teste F para duas variâncias. Exercícios Contrastes: conceitos Métodos para obtenção de contrastes ortogonais Princípios básicos da experimentação Recesso – Semana Santa Exercícios Tira dúvidas 1ª Prova – 17/04 – 6ª feira – 18:20 h Feriado – Tiradentes Delineamento inteiramente casualizado (DIC) Pressuposições da ANOVA Feriado – Dia do Trabalho Testes de Tukey e Duncan Testes t e de Scheffé Delineamento em blocos casualizados (DBC) Exercícios do DBC Delineamento em quadrado latino (DQL) Feriado – Santa Rita Exercícios Tira dúvidas 2ª Prova – 29/05 – 6ª feira – 20:30 h Experimento fatorial (EF) Interação AxB significativa de EF Experimento em parcelas subdivididas (EPS) Feriado – Corpus Christi Interação AxB significativa de EPS Regressão linear de 1o grau Regressão linear de 2o grau Tira dúvidas 3ª Prova – 25/06 – 5ª feira – 18:20 h Prova Substitutiva –26/06 – 6ª Feira – 12:00 h Aula SAS – 29/06 – 12:00 h Revisão – Prova 3ª e Substitutiva

Experimentos Fatoriais Capítulo 9 .Formulário e Tabelas 1 22 30 37 45 53 65 71 95 111 125 151 Anexo 2 – Fórmula Geral para o Cálculo de Soma de Quadrados 167 Anexo 3 – Introdução ao Uso do Programa SAS Anexo 4 – p-valor Anexo 5 – Exemplo Extra ANOVA 169 190 191 .Testes de Hipóteses Capítulo 2 .Delineamento em Blocos Casualizados Capítulo 7 .Delineamento Inteiramente Casualizado Capítulo 5 – Procedimentos para Comparações Múltiplas Capítulo 6 .Contrastes Capítulo 3 – Introduçao à Experimentação Capítulo 4 .Índice Capítulo 1 .Experimentos em Parcelas Subdivididas Capítulo 10 .Delineamento em Quadrado Latino Capítulo 8 .Regressão Capítulo 11 – Respostas dos Exercícios Anexo 1 .

ou seja. se o pedaço for azedo. Isto pode acontecer porque o lote de abacaxi pode não ser completamente uniforme no teor de açúcar. corremos o risco de levar abacaxi azedo para casa. Assim sendo para se obter o valor de um parâmetro é necessário coletar a informação a respeito de uma ou mais variáveis em todos os indivíduos dessa população. tais como não1 . conhecidas como estimadores.1 Parâmetro Parâmetro é uma medida usada para caracterizar uma população.2. O objetivo deste capítulo é fornecer os conceitos teóricos fundamentais para um correto uso dos testes de hipóteses. Por outro lado. Por exemplo. em ciência é necessário que todos os procedimentos sejam padronizados e bem especificados. Introdução Os testes de hipóteses fazem parte de um conjunto de procedimentos inferenciais usados em estatística.2. não é possível realizar o censo de uma população. mesmo que a nossa prova tenha sido doce.EST 220 – Estatística Experimental – I/2008 ________________________________________________________________ 1. Para alcançar este objetivo deve-se usar fórmulas estatísticas. o pesquisador pode retirar uma amostra da população e a partir desta amostra caracterizar a população de onde a amostra foi retirada sem nenhum viés. a mediana (Md) e a moda (Mo). serão abordados alguns dos testes de hipóteses mais comuns para comparar no máximo parâmetros de duas populações. Para contornar este problema. realizar um censo da mesma. 1. quando vamos a feira para comprar abacaxi e um feirante nos oferece um pedaço de abacaxi. 1. Por exemplo. As medidas de dispersão indicam quanto os valores de uma população estão dispersos em torno de sua média.1. O uso de tais procedimentos permite ao pesquisador fazer inferências a respeito de uma população a partir de uma ou mais amostras representativas da população da qual as amostras foram retiradas. que apresentem características estatísticas desejáveis. a distribuição dos valores de uma população tendem a se concentrar. No dia a dia usamos de inferência para tomarmos certas decisões. É lógico que podemos tomar decisões erradas devido à amostragem. Porém. pois elas indicam em que posição.2. inferimos que todo o lote é azedo. Neste capítulo. Outros testes de hipóteses aplicáveis para comparações de parâmetros envolvendo mais de duas populações serão apresentados no Capítulo 5. Este é um exemplo prático que ilustra o princípio básico do teste de hipóteses. Alguns exemplos de medidas de posição são a média aritmética ( m = µ = E( X) ). É possível caracterizar uma população por meio de duas medidas principais: posição e dispersão. Como exemplo de medidas de dispersão temos a variância ( σ 2 = V( X) ) e o desvio-padrão ( σ ). porque ou a população é muito grande ou é de tamanho infinito.2 Estimador Na grande maioria das situações. Qual o nosso procedimento? Se aquele pedaço de abacaxi for doce. concluímos que todo o lote de abacaxi vendido por aquele feirante é doce. As medidas de posição são também conhecidas como medidas de tendência central. Testes de Hipóteses 1. ou porque experimentamos um abacaxi doce no meio de um lote composto por abacaxis azedos. Conceitos fundamentais em testes de hipóteses 1.

suponha que um tecnólogo em laticineos deseja verificar se os sabores de sorvete morango e chocolate apresentam um mesmo valor para o teor médio de glicose.Cap 1 – Testes de Hipóteses ____________________________________________________________________ tendenciosidade. Em termos estatísticos esta hipótese é expressa por m morango = m chocolate Em que: mmorango : média do teor de glicose do sorvete sabor morango.3 Hipóteses em um teste estatístico Para realizar um teste de hipóteses e divulgar as conclusões é necessário seguir um procedimento aceito pela comunidade científica. Isto acontece porque os elementos que pertencem a uma amostra geralmente não são os mesmos em outras amostras. mas do ponto de vista estatístico. nada mais é o que o levou a realizar a sua investigação. podemos representar a ˆ média populacional por m e seu estimador por m . o estimador representa uma variável aleatória. e mchocolate : média do teor de glicose do sorvete sabor chocolate. fornecer estimativas que se aproximem do valor paramétrico à medida que o tamanho da amostra aumenta. isto não é possível. O parâmetro é sempre um valor constante. a diferença conceitual entre parâmetro e estimador é enorme. pois para a obtenção do mesmo são usados todos os elementos da população. m . os estimadores podem assumir valores diferentes em amostras diferentes. então a hipótese alternativa é expressa por m morango > m chocolate Por outro lado. A hipótese científica do pesquisador. Se ele desconfiar que o sabor de morango tem um teor médio de glicose maior do que o de chocolate.. Neste procedimento. Por exemplo. s . Então ele tem que ter uma alternativa para esta hipótese inicial. Outras simbologias comuns para a média amostral são µ e X . Estes diferentes valores que um estimador assume são também conhecidos como estimativas. ou seja.2. o pesquisador deve deixar claro qual a hipótese que ele deseja testar. pois os seus valores mudam de amostra para amostra. ˆ Exemplos de estimadores são a média aritmética amostral. Nesta alternativa. que é usada para 2 estimar a média populacional. ele lança a sua desconfiança a respeito do que pode acontecer. Isto parece ser uma diferença mínima. é possível estabelecer uma distribuição de probabilidades para os valores de um estimador. a diferença entre o parâmetro e o seu estimador é o chapéu que existe no símbolo usado para representar o estimador. que é usada para estimar a variância populacional. e a variância amostral. e ˆ 2 ˆ ˆ para a variância amostral são σ e V( X) . 1. pois se assume que ele tem um valor constante. Para isto ele precisa escrever em termos estatísticos a sua hipóteses cientifica. Por outro lado. Por isto recomenda-se muito cuidado para usar corretamente a simbologia para o parâmetro e paro o estimador. Observe que algumas vezes a simbologia usada para representar os parâmetros e seus respectivos estimadores é muito parecida. Conseqüentemente. Conforme mencionado anteriormente. se ele desconfiar que o sabor de chocolate tem um teor de glicose maior do que o de morango. Para o parâmetro. então a hipótese alternativa é expressa por m morango < m chocolate 2 . e etc. Por exemplo. O pesquisador deseja testar esta hipótese porque ele desconfia que o teor médio de glicose não seja o mesmo para os dois sabores de sorvete. variância mínima.

supondo que o pesquisador não desconfie a princípio qual sabor que apresenta maior teor médio de glicose. O que um teste de hipóteses geralmente faz é comparar duas fontes de variação. Isto faz sentido porque. 1. num teste de hipóteses. o valor estimado será idêntico àquele especificado para o parâmetro. É dado este nome. a Ho é considerada como a hipótese verdadeira. Se as duas fontes de variação apresentarem valores semelhantes então o valor do parâmetro não difere do valor especificado na hipótese de nulidade. A primeira que contém um sinal de igualdade é conhecida como hipótese de nulidade. baseamos na comparação do valor especificado para o parâmetro com aquele estimado a partir de uma amostra da população. sendo que existem intervalos de valores mais prováveis de ocorrer do que outros. ou seja. Para o exemplo dado. Conclui-se portanto que a hipótese H0 não deve ser rejeitada. a hipótese alternativa é expressa por m morango ≠ m chocolate Neste ponto fica claro que para realizar um teste de hipóteses é necessário que o pesquisador lance duas hipóteses.EST 220 – Estatística Experimental – I/2008 ________________________________________________________________ Uma outra alternativa seria a situação em que ele não tem nenhuma desconfiança de qual sabor teria um teor médio de glicose maior do que o outro. a hipótese de nulidade é construída com o expresso propósito de ser rejeitada. Portanto pode-se construir uma distribuição de probabilidades para os valores de um estimador. apenas se desconfiar que existe diferença significativa entre as médias de duas populações. enquanto que o parâmetro possui um valor fixo. um estimador pode assumir valores diferentes para amostras diferentes.4 Decisão em um teste de hipóteses Para decidirmos se devemos ou não devemos rejeitar a hipótese de nulidade. comumente denotada por Ho. Neste caso. é esperado que ele possa assumir valores dentro de um intervalo. 3 . a variação observada entre o valor paramétrico e sua estimativa é uma variação própria dos dados. Já a outra hipótese que contém um sinal de desigualdade. quando um pesquisador realiza um experimento. apresentam valores diferentes para amostras diferentes. Não faz sentido lançar as hipóteses usando os estimadores. é conhecida como hipótese alternativa. No entanto. Na verdade. o par de hipóteses a ser lançado é expresso por H0 : m morango = m chocolate Ha : m morango ≠ m chocolate Observe que apesar de ser possível existir três possibilidades para Ha. Outro ponto importante é que as hipóteses foram lançadas em termos dos parâmetros e não em termos dos seus estimadores. A segunda fonte de variação diz respeito a variação existente na população. O valor fornecido pelos estimadores poderá diferir. pois como o estimador é uma variável aleatória. Esta diferença matemática nem sempre representa que a hipótese de nulidade deve ser rejeitada. do ponto de vista matemático. do valor esperado para o parâmetro. ela é uma alternativa a hipótese de nulidade. Conforme mencionado anteriormente.2. Como o próprio nome diz. apenas uma possibilidade foi lançada. pois ela representa uma nulidade de diferença entre médias. comumente designada por Ha ou H1. pois os mesmos não possuem um valor fixo. quem teria o trabalho de realizar um experimento se achasse que duas médias são iguais? Qualquer um se daria ao trabalho de instalar um experimento. Raramente. Neste caso. A primeira fonte de variação diz respeito a variação entre o valor paramétrico e uma estimativa. até que se prove o contrário.

0 0.50 metros.5 metros. poderíamos descrever a distribuição de valores da variável estatura. Se a informação do órgão oficial for verdadeira.25 metros2. conclui-se que a variação entre o valor especificado para o parâmetro e o de sua estimativa não é própria dos dados. o pesquisador teria que usar uma média da amostra para tomar a sua decisão. se as duas fontes de variação apresentarem valores bem diferentes. ou seja.25) e representar esta distribuição por meio do gráfico . 5 3. f (X ) 1. pois o pesquisador teria condições de conhecer o verdadeiro valor da média de estatura. 0 0. ou então tomar uma amostra de adolescentes e medir a estatura dos mesmos e usar um teste de hipóteses. 5 1. 4 . digamos X. 0 A função densidade de probabilidade de uma variável aleatória contínua que tem distribuição normal. 5 0. 0. no caso. ou seja a média de estatura igual a 1. 5 = V i avel : X ar 2. o que leva a rejeitar-se a hipótese de nulidade. 8 0. precisamos conhecer a distribuição de probabilidades do estimador usado para estimar o parâmetro. Neste caso a variação entre o valor paramétrico e a estimativa é significativa. Suponha que um pesquisador desconfie que a estatura média de adolescentes na faixa etária de 13 a 15 anos é menor do que aquela informada por um órgão oficial como sendo igual a 1. 4 0. Na segunda opção. 1 1. f(X) é dada por: f ( X) = 1 σ 2π e 1 ⎛ x −m ⎞ − ⎜ ⎟ 2⎝ σ ⎠ 2 Para verificar se a informação do órgão oficial é correta. Este pesquisador sabe de fontes seguras que a estatura é uma variável aleatória que segue uma distribuição normal com variância igual a 0. Vamos ilustrar esta situação com o seguinte exemplo.Cap 1 – Testes de Hipóteses ____________________________________________________________________ Por outro lado. 0 0. Na primeira opção nenhum teste de hipóteses seria necessário. o pesquisador tem duas opções: medir a estatura da população de todos os adolescentes. 6 0. 0 2. como X ~ N(15 . 7 0. Para isto. 0 m 1. 2 0. 1 0. 3 0. 9 0. ele conheceria o parâmetro média daquela população de adolecentes. Para então decidirmos entre rejeitar ou não-rejeitar a hipótese de nulidade devemos estabelecer o que é uma “pequena” e uma “grande” variação.

49 e o valor suposto igual a 1. Deve ficar entendido que é possível retirar um número muito grande de amostras de mesmo tamanho de uma população. 0 m 1. 5 3. Da população de adolecentes é possível retirar um grande número de diferentes amostras de tamanho 10. representadas no gráfico por Xb. Neste caso. O gráfico da distribuição . 0 0. 5 1. por exemplo. a variação entre o valor observado igual a 1. 0 0. 0.5 metros H a : m altura < 1. das médias amostrais seria f (X b) 1. 9 0. 1 0. ˆ digamos m . Como pode ser notado. 4 0. Para realizar a segunda opção. m ~ N(15 . 0 0. 6 0.EST 220 – Estatística Experimental – I/2008 ________________________________________________________________ É evidente que a segunda opção é operacionalmente mais fácil. é mais concentrada em torno da média do que a variável original X. 2 0. principalmente se a população for muito grande. 3 0. 5 = V i avel : X ar b 2. ou seja. 0 ˆ ˆ em que Xb = m e f(Xb) = f( m ). As hipóteses estatísticas para esta situação seriam: H O : m altura = 1.49 metros. 0 2. o pesquisador deve escolher um tamanho de amostra adequado. Isto acontece porque a variância das médias amostrais é menor do que a variância da variável original estatura. 7 0. vamos supor diferentes resultados possíveis para a média amostral obtida a partir de uma amostra de 10 estudantes. numa pesquisa geralmente toma-se decisão usando-se apenas uma única amostra. obtenha uma média amostral.5 metros Para se entender a lógica dos testes de hipóteses. a variância é ˆ igual à variância original dividido pelo tamanho da amostra e que a variável aleatória m ˆ também segue distribuição normal. No entanto.50 é muito pequena. Suponha inicialmente que o pesquisador. 8 0. igual a 1. 5 0. suponha que para este exemplo o tamanho amostral ideal seja igual a 10 indivíduos. Pode ser demonstrado que a média de todas as médias amostrais é igual à média da variável original. pois o custo e o tempo gasto são muito menores. a distribuição das médias amostrais para a variável estatura. 1 1. Cada amostra fornece um valor para a média amostral. Poder-se-ia atribuir esta variação ao 5 .025 ) .

0 0. Digamos que neste caso o valor crítico adotado fosse igual a 1.5 metros. Veja na figura a seguir f (X b) 1. 8 0. 0 0. em uma população que apresenta uma média igual a 1. como por exemplo.5 metros. Este valor crítico pode a princípio ser estabelecido de duas maneiras.0 metro determinaria duas regiões na f ( Xb) = 6 . 1. Por outro lado. isto porque há um forte indício de que a amostra foi retirada de uma população que apresenta uma média menor do que a suposta de 1. ou seja. no caso.49 metros. 60 1. 9 0. 0 A função densidade de probabilidade da média amostral de uma variável aleatória que tem distribuição normal. 1 1.48. esta variação é uma variação própria de uma população que apresente média igual a 1.60 metros em uma população com média igual a 1. A primeira delas seria a situação em que o pesquisador de posse de seu conhecimento prévio no assunto estabeleceria um valor crítico antes de coletar a amostra. esta probabilidade é pequena em relação à área total do gráfico. é dada por: 1 ⎛ ⎞ ⎜ ⎟ 1 ⎜ x −m ⎟ − ⎜ σ ⎟ 2 ⎜ ⎟ ⎝ n ⎠ 2 e 2π σ n A área sob a curva abaixo do valor 0. 1 0. 3 0. 5 V i avel : X ar b 2.5 metros.0 metro. 5 0. 1. O valor para a média igual a 1. tais como: 1. indica a probabilidade de se encontrar um valor igual ou inferior a 0.47. 0 0. 6 0. 2 0.60 metros. etc. Como pode ser notado. Justificativa semelhante poderia ser atribuída a médias amostrais que tivessem valores próximos ao valor suposto. 5 3. 0. Em termos probabilísticos poderíamos dizer que existe uma grande probabilidade de numa população com média igual a 1.60 m.50 metros existir grupos de 10 indivíduos que apresentem uma média de estatura igual ou inferior a 1. se a média amostral apresentar um valor muito distante do valor suposto.60 metros é muito pequena.5 metros. 0 2. 0 1. o pesquisador tem a tendência de rejeitar a hipótese de nulidade. Este valor crítico seria um valor para a média amostral tal que acima dele o pesquisador não-rejeitaria a hipótese de nulidade e abaixo dele rejeitaria a hipótese de nulidade.42. Em termos probabilísticos poderia se dizer que a probabilidade de encontrar um grupo de indivíduos com média igual ou inferior a 0. 7 0. 4 0.Cap 1 – Testes de Hipóteses ____________________________________________________________________ acaso. f(Xb). Com base neste raciocínio é que o pesquisador estabelece um valor crítico que o ajuda a decidir sobre rejeitar ou não-rejeitar a hipótese de nulidade.

1 0.0 metro. 5 3. conforme é mostrado na figura a seguir. 0 0. o pesquisador acaba assumindo que devido ao fato daquela chance ser muito pequena. 1. 7 . Caso contrário. 3 0. 0 0. Estas duas regiões são denominadas como Região de Não-Rejeição da Hipótese de Nulidade (RNRHo) e Região de Rejeição da Hipótese de Nulidade (RRHo) . É exatamente a adoção deste critério que pode levar o pesquisador a cometer um erro em sua tomada de decisão. 8 0.0 metro. 0 er r o t i po I ou er r o al f a R egi ão de R ei ção da ej H pót ese de i N i dade ul R egi ão de N ão R ei ção da ej H pót ese de N i dade i ul Deve-se observar que ao adotar o critério acima. 0 0. 7 0. existe uma pequena percentagem de indivíduos que podem apresentar uma altura média inferior a 1. se o valor da média amostral estiver contido na RRHo. Um destes erros. 5 X bc= 0 1. 2 0. então rejeitar-se-ia a hipótese de nulidade.5 metros. o pesquisador sempre estará sujeito a cometer um de dois erros possíveis. se o valor da média amostral estiver contido na RNRHo. 5 0. 9 0.EST 220 – Estatística Experimental – I/2008 ________________________________________________________________ distribuição das médias amostrais. 4 0. em uma população que realmente apresenta média igual a 1. 0 2. se refere à probabilidade de rejeitar uma hipótese verdadeira. 6 0. ela pertence a uma população com média inferior à especificada de 1. 1 1. No entanto.5 metros. o pesquisador deve rejeitar a hipótese de nulidade e considerar a hipótese alternativa como sendo a hipótese verdadeira. no caso a hipótese de nulidade. o critério adotado pelo pesquisador foi que se a média amostral assumisse um valor menor que 1. Na figura citada anteriormente. conhecido como erro tipo I ou erro alfa (∝).0 metro. Como os respectivos nomes indicam. conforme é apresentado na figura a seguir. 5 V i avel : X ar b 2. pois como se pode observar na figura. o pesquisador não deve rejeitar a hipótese de nulidade. f (X b) 1. ele decide que se uma amostra de elementos apresentar média menor que 1.

o qual aumenta o seu valor à medida que se diminui o erro alfa. fizermos que o valor crítico para a média amostral seja igual a 0. 3 0.0 metro.9 m. mas a probabilidade de encontrar indivíduos com média inferior ou igual ao valor crítico. 0 0. em todo teste de hipóteses existe também um outro erro. curva para a hipótese de nulidade (Ho) com média m = 1. Observe. 0 < m 1. 0 0. 1 0. 7 0. 0 2.Cap 1 – Testes de Hipóteses ____________________________________________________________________ f (X b) 1. 8 0. É esta diferença nas probabilidades que leva o pesquisador a rejeitar Ho ao invés de não rejeitá-la. 0 m 1. 5 1. No entanto. 5 = V i avel : X ar b m a edi m 1. ele na verdade acaba por concluir que a população de onde foi retirada a amostra pertence aquela população com média m < 1. 0 er r o al f a er r o bet a cur va par a H a cur va par a H o RH RRo Ro NH Nesta figura. é bem maior numa população com m < 1.5 metros. 1 1. 2 0. 8 . então a nova proporção entre os erros alfa e beta seria conforme figura a seguir. Se por exemplo. conhecido como erro tipo II ou erro beta (β). 5 3. 4 0. Isto foi definido anteriormente como erro alfa.5 metros. No exemplo que estamos trabalhando. a área sob a curva da hipótese Ho que leva a sua rejeição se refere à probabilidade de se rejeitar Ho quando Ho é verdadeira. Quando o pesquisador toma a decisão de rejeitar a Ho. Este erro se refere à probabilidade não-rejeitar a hipótese Ho quando Ho é falsa (ver figura anterior). 9 0. quanto menor for o valor crítico. 5 2.5 metros. valores nesta região podem levar a duas conclusões que a rigor ambas estariam “corretas”. 6 0. ou seja. Conforme mencionado anteriormente. e a curva da direita para a situação em que a população apresenta média igual à especificada. este erro beta será tanto maior. pode-se observar duas curvas: a da esquerda quando se assume que a população tem uma média inferior a especificada. isto é a curva para a hipótese alternativa (Ha) com m < 1. 5 0.5 metros do que numa população com média m = 1. Um raciocínio lógico que se tem é tentar fazer este erro ser o menor possível.5 metros. 5 < 1. no caso 1.

A comparação dos valores calculado e tabelado permite ao pesquisador decidir entre rejeitar ou não-rejeitar Ho. 5 3. é possível comparar os resultados e conclusões de diferentes trabalhos de pesquisa. pois envolve a integração de funções complexas tais como exponenciais. 9 0. O procedimento para um teste de hipóteses usando o método não-empírico é similar ao método empírico. Desta forma. 8 0. a qual se baseia no fato do pesquisador estabelecer o valor crítico de rejeição da hipótese Ho com base em seu prévio conhecimento do problema. Existe uma tabela estatística apropriada para cada tipo de teste de hipóteses. a que nível de significância que o teste de hipóteses será realizado. a que nível de significância um teste de hipóteses foi realizado. ou seja. 9 . A determinação do nível de significância quando se usa o método empírico é possível. traz a desvantagem de não poder estabelecer a princípio qual seria a probabilidade de se cometer o erro tipo I. 1 1. 1 0. 8 1. embora computacionalmente não seja uma tarefa fácil. . Este procedimento. Devido a todas estas razões. 1. 0 0. 0 0. para determinada área do conhecimento. A diferença está basicamente que no método não-empírico. 4 0. 5 0. É de consenso que se publique. 3 0. 0 m a edi 0. o valor crítico é conhecido a partir do nível de significância estabelecido e o uso de tabelas estatísticas. O valor obtido de uma ou mais amostras retirada da(s) população(ões) é então usado para calcular o valor de uma estatística que tem distribuição de probabilidades idêntica àquela usada para identificar o valor tabelado. o nível de significância esteja dentro de uma faixa de valores aceito pela maioria dos pesquisadores. Os próximos itens deste capítulo irão tratar sobre alguns testes de hipóteses que usam este método não-empírico. 6 0. Estas tabelas fornecem valores críticos que delimitam regiões de rejeição e de nãorejeição de Ho. embora seu forte apelo prático. que nos trabalhos científicos.EST 220 – Estatística Experimental – I/2008 ________________________________________________________________ f (X b) 1. 0 0. 2 0. pois existe uma tendência que. e etc. 5 V i avel : X ar b 2. 5 er r o al f a cur va H a RH Ro RRo NH cur va H o er r o bet a X bc= 9 0. 5 Nós acabamos de ver a maneira empírica de realizar um teste de hipótese. o método não-empírico é o mais usado. gama. 0 2. 7 0. beta.

Para amostras com tamanho superior a 30. O uso do teste t pressupõe que a característica em análise é normalmente distribuída com variância populacional desconhecida. X n . Com base nestes elementos amostrais. digamos mo.0. tem distribuição t de Student com n-1 graus de liberdade. 4 0. X 1. ˆ calculamos a sua média. 1 0. 5 . s.3... é uma distribuição de probabilidades que depende do número de graus de liberdade associado. Estas estatísticas são então utilizadas para calcular o valor de t usando a expressão ˆ m − m0 t= s n Esta estatística t. ilustra a distribuição t para três valores diferentes no número de graus de liberdade.Cap 1 – Testes de Hipóteses ____________________________________________________________________ 1. Alguns testes de hipóteses 1. A figura a seguir.Teste para pequenas amostras A aplicação do teste t é indicada quando o tamanho amostral é igual ou inferior a 30 elementos. As duas primeiras aplicações vão ser apresentadas neste capítulo.1 Teste de hipóteses para uma média populacional Este teste é usado para verificar se a média de uma característica de uma população assume um valor especificado. 5 . X 2 . 5 1. 5 0.2.3. teste para duas médias populacionais e teste para mais que duas médias populacionais..1. recomenda-se o teste Z. O teste t tem três aplicações principais: teste para uma média populacional. 0 . e seu desvio padrão. 5 0. 5 2. f (t ) 0.. 1. 5 V i avel : t ar n 1 5 30 10 .1 Teste t de Student .3. Digamos que os elementos amostrais sejam.3. Para aplicação deste teste devemos selecionar uma amostra aleatória de tamanho n da população. 2 0. 5 . ou seja. m .1. 3 0. A terceira aplicação será apresentada no Capítulo 5. 5 3.

ou seja. Esta distinção no relacionamento das duas amostras gera dois testes distintos.EST 220 – Estatística Experimental – I/2008 ________________________________________________________________ As hipóteses num teste t. Neste caso. com base em cinco indivíduos portadores de certa moléstia.3. o consumo renal de oxigênio distribui-se normalmente em torno de 12 cm3/min.2. A tabela apresentada no final deste livro é uma tabela elaborada para testes bilaterais. Em indivíduos sadios. ao nível de 5% de significância? 1. Os consumos medidos para os cincos pacientes foram: 14.0 2 Deseja-se saber se a média da população pode ser considerada como superior a 11. Por outro lado. Este procedimento garante que realizaremos o teste ao nível de significância α como desejado para testes unilaterais. Qual a conclusão. 11 . se desejarmos realizar um teste unilateral e usarmos uma tabela bilateral. ou seja.3.9 15.0 13.1.se t ≥ t tab então Rejeita-se Ho - se t < t tab então Não-Rejeita-se HO. os valores amostrais foram obtidos em conjuntos amostrais distintos. Uma amostra de seis elementos. usamos a seguinte regra decisória: .2 Teste de hipóteses para duas médias populacionais O objetivo deste teste é verificar se duas populações. comparamos o valor de t com o valor tabelado de t obtido por t tab = t α (n − 1) . se esta tem influência no consumo renal médio de oxigênio.0 i =1 6 e ∑ (X 6 i =1 i ˆ − m) = 55. isto é deseja-se verificar se m 1 = m 2 .4 12. 1. Com esta finalidade é necessário obter uma amostra de cada população.7 13. Exercícios 1. extraída de uma população normal.2. forneceu ∑ X i = 84. podem ser dependentes ou independentes uma da outra. digamos população 1 e população 2 apresentam um mesmo valor médio para uma determinada característica. Estas duas amostras podem ser relacionadas ou não. Nesta situação. devemos entrar na tabela com 2 α como nível de significância.1.5 Qual a conclusão ao nível de 1% de significância? 1. Depois de obtido o valor calculado e o valor tabelado de t. Deseja-se investigar. para uma média populacional.1.1 Teste de hipóteses para o caso de duas amostras independentes Duas amostras são ditas serem independentes quando não existe nada que as relacione. para encontrarmos o valor tabelado basta entrar com o valor de α e o respectivo número de graus de liberdade. são do seguinte tipo H0: Ha: Ha: Ha: m = m0 m > m0 m < m0 m ≠ m0 versus ou ou Para decidirmos entre Rejeitar ou Não-Rejeitar HO. os elementos amostrais que originaram os valores de uma amostra são distintos dos elementos amostrais que originaram a segunda amostra.

3.se | t | ≥ ttab → Não-Rejeita-se HO. ou seja: .Cap 1 – Testes de Hipóteses ____________________________________________________________________ Conforme mencionado anteriormente.se | t | ≥ ttab → Rejeita-se Ho . X22. A fórmula geral para o cálculo da variância amostral é dada por ⎛ n ⎞ ⎜ ⎟ ⎜ ∑ Xi ⎟ n ⎝ i=1 ⎠ 2 ∑ Xi − n 2 s = i=1 n −1 2 Esta estatística tem distribuição t de Student com (n1 + n 2 − 2) graus de liberdade. n pode ser diferente de m. ou seja σ 1 = σ 2 . podemos dizer que as duas amostras de 12 . Um estimador comum para a variância é obtido tomando-se uma média ponderada das estimativas de variância obtidas para as duas amostras.. Os dados que seguem referem-se a cinco determinações da resistência de dois tipos de concreto.1. .2. então calcula-se a sua média e variância. calcula-se o valor da estatística t dada por: ˆ ˆ m − m − (m1 − m 2 ) 2 t= 1 1⎞ 2⎛ 1 sc ⎜ + ⎟ ⎜n n ⎟ 2 ⎠ ⎝ 1 ( ) Concreto 1 Concreto 2 54 50 55 54 58 56 51 52 57 53 1. Ao nível de 5% de significância. se os valores de duas amostras foram obtidos de um mesmo conjunto de elementos amostrais. . há evidência de que o concreto 1 seja mais resistente que o concreto 2? Uma vez obtidas estas estimativas. respectivamente. ou seja.. toma-se uma amostra de cada população.. A comparação do valor calculado de t com o valor tabelado dado por t tab = t α (n1 + n 2 − 2) . para comparar as médias das duas populações. A obtenção de um estimador comum para a variância pressupõe que a variância das duas 2 populações sejam idênticas. Por exemplo. Suponha que as amostras geradas sejam X11..2 Teste de hipóteses para o caso de duas amostras dependentes Duas amostras de elementos são ditas serem dependentes quando existe algo que as relacione. Para cada amostra. X1n e X21. A fórmula do estimador comum é: 2 s = 2 c 2 1 2 2 2 (n1 − 1)s1 + (n 2 − 1)s 2 2 n1 + n 2 − 2 em que s e s são as variâncias amostrais das populações 1 e 2.3. O tamanho da amostra é utilizado como um peso para o cálculo desta variância média ponderada. Exercício 1. .. onde o tamanho das amostras podem ser diferentes. X2m. é usada para testar a hipótese de nulidade versus H0: m1 = m2 Ha: m1 > m2 ou Ha: m1 < m2 ou Ha: m1 ≠ m2 A regra de decisão é idêntica ao caso anterior. X12.

Para verificar se houve alteração na média. poderíamos dizer que a diferença entre os valores observados na primeira condição e na segunda condição seria em média igual a zero.. Portanto para verificar se houve alteração na média de uma população avaliada em duas condições diferentes. o teste t para duas amostras dependentes reduz-se teste t para uma média populacional. Cada condição representa uma população distinta. Os mesmos elementos amostrais são novamente avaliados para a mesma característica na nova condição 2. Portanto.. Elemento amostral i Amostra 1 Amostra 2 di=X1i-X2i 1 X11 X21 d1 2 X11 X22 d2 . X12... se a alteração das condições não resultasse em nenhum efeito significativo.. Digamos que esta nova avaliação resulte nos seguintes valores amostrais X21. Escrevendo em termos de hipóteses estatísticas teríamos H0: Ha: Ha: Ha: m = m0 m > m0 m < m0 m ≠ m0 versus ou ou Para decidir entre Rejeitar ou Não-Rejeitar a hipótese de nulidade. . X2n. . .EST 220 – Estatística Experimental – I/2008 ________________________________________________________________ valores são dependentes uma vez que foram tomados de um conjunto de elementos amostrais comum. conforme é mostrado a seguir. . X22. deve-se calcular o valor da estatística t dada por ˆ m − m0 t= s2 n em que ˆ m= ∑d i=1 n i n 13 . sejam submetidos à condição 2.. os elementos amostrais que originaram a primeira amostra. espera-se que em média os valores observados nas duas condições sejam iguais... Digamos que a avaliação da característica resulte nos seguintes valores amostrais X11.. .. deseja-se testar se a média dos desvios é igual por exemplo a um valor m0. O objetivo neste caso é verificar se houve alteração na média de uma população quando a mesma é avaliada sob duas condições diferentes.. Se a condição 2 não tiver nenhum efeito. No presente caso. Em termos de desvios. X1n. pode-se testar a hipótese de que o desvio médio ser estatisticamente igual a zero. visto anteriormente. avalia-se uma característica de interesse do pesquisador num conjunto de elementos amostrais tomados ao acaso na população quando a mesma esteja sob a condição 1. a partir de duas amostras obtém-se uma outra baseada nos desvios. . embora se suponha que os elementos populacionais sejam os mesmos nas duas condições.. Depois de feita esta avaliação. n X1n X2n dn Apresentado desta forma..

4. Com o objetivo de avaliar se determinado produto químico é eficiente para repelir insetos domésticos. antes e após a aplicação deste produto químico. Com a finalidade de testar se determinado método de secagem rápida consegue reduzir significativamente a quantidade média de água de grãos de cereais. em termos médios. foi exposta ao referido método de secagem. Depois de obtido os valores calculado e tabelado de t.5. é eficiente para secar os grãos? 1. usamos a seguinte regra decisória: . esta estatística t tem distribuição t de Student com n-1 graus de liberdade. Em termos de hipóteses estatísticas teríamos: 2 H0: σ1 = versus σ2 2 2 Ha: σ1 > σ 2 ou 2 2 Ha: σ1 < σ 2 ou 2 2 Ha: σ1 ≠ σ 2 2 A estatística F usada para decidir entre Rejeitar ou Não-Rejeitar Ho é dada pelo quociente entre as duas estimativas de variância. Trigo. com a realização do experimento foram: Sem a secagem Com a secagem Milho 30 21 Cevada 34 28 Trigo 41 33 Arroz 25 21 Sorgo 36 31 É possível concluir ao nível de 5% de significância que o método de secagem proposto. em 7 residências. uma porção de cada um dos seguintes tipos de cereais: Milho.Cap 1 – Testes de Hipóteses ____________________________________________________________________ ⎛ n ⎞ ⎜ ∑ di ⎟ ⎜ ⎟ n ⎝ i=1 ⎠ 2 ∑ di − n 2 s = i=1 n −1 Sob Ho.3. A comparação deste valor calculado com o valor de ttab dado por t tab = t α (n − 1) . digamos 1 e 2. ou seja: 14 . apresentam igual valor para o parâmetro variância. Os resultados obtidos. que o produto utilizado é eficiente para repelir insetos? 1. O número de insetos observado em cada residência foi Residênca 1 2 3 4 5 6 7 Antes da aplicação 8 6 7 8 9 6 7 Após a aplicação 4 0 3 5 3 4 2 Por meio destes dados e ao nível de 5% de probabilidade. Arroz e Sorgo. para o peso da porção (em g) amostrada por cereal.2 Teste F para Comparação de Variâncias de Duas Populações Este teste é indicado para verificar se duas populações.se t ≥ t tab então Rejeita-se Ho - 2 se t < t tab então Não-Rejeita-se HO. foi realizada uma contagem do número de insetos. Exercícios 1. é possível concluir. Cevada.

n 2 ) . Seis rebites de duas marcas foram ensaiados ao cisalhamento. com n 1 e n 2 graus de liberdade. nas mesmas unidades.7 284. F= A conclusão do teste é feita mediante a comparação do valor de F com o valor de Ftab= Fα = (n1 . Uma primeira amostra. Um gráfico para a distribuição F.0 Ao nível de 5% de significância. Caso contrário NãoRejeita-se HO Exercícios 1.8 285.320. A qualidade de rebites é tanto melhor quanto maior sua homogeneidade. Com o intuito de controlar a homogeneidade da produção de certas partes ao longo do tempo.2 284. forneceu média 284. amostras semanais são retiradas da produção corrente. de Fisher-Snedecor.3 283. ao passo que.6 283. de dez elementos.6. este quociente tem distribuição F. Se F ≥ Ftab ⇒ Rejeita-se H0 ao nível α de probabilidade. forneceu. tendo-se obtido as seguintes cargas de ruptura: 15 . os seguintes valores: 284.9 284.55 e desvio padrão 0.7. podemos concluir que a semana 2 apresentou maior variabilidade que a semana 1? 1. numa segunda amostra.EST 220 – Estatística Experimental – I/2008 ________________________________________________________________ s2 1 2 s2 Sob a hipótese de nulidade. ou seja a distribuição de probabilidades da estatística F depende dos números de graus de liberdade n1 e n2. para três diferentes pares de graus de liberdade é ilustrado na figura a seguir.

3 35.4 7 36.8 41.6 80.4 95.1 34.6 4 100.8 3 83.5 37.5 38.9 5 81. Um produto foi desenvolvido com o objetivo de reduzir a média da temperatura do funcionamento de motores.4 1.4 1.9. de que seus rebites são melhores? Use o nível de 5% de significância. quando submetidas a determinado grau de temperatura. Com o objetivo de melhorar a média de resistência das peças. PROCESSO A PROCESSO B 90.5 39. Uma fábrica de cerâmica produz um tipo de peça usando o processo A de fabricação. MOTOR SEM PRODUTO COM PRODUTO 1 80. AMBIENTE s/isolante c/isolante 1 30. 10 ambientes foram selecionados ao acaso e expostos a uma determinada fonte de radiação de calor.8 35. 20 ambientes foram convenientemente preparados.8 104. Um material isolante foi utilizado com a finalidade de reduzir a temperatura média interna em ambientes similares.5 94.6 91.4 99.2 37. sendo as outras condições mantidas iguais.2 42. Dois processos que têm por objetivo o controle da temperatura média interna em ambientes foram colocados em competição.5 38.1 3 33.2 99.8 35.4 77. foram selecionados ao acaso 8 motores e após 10 minutos de funcionamento.2 43.6 96.5 96. Para testar a H o .5 74.2 42. Os dados obtidos (em ºC) são fornecidos abaixo.8 105. onde 7 receberam o fertilizante e as outras não.4.6 30.1 9 34. Testar a hipótese H o e concluir para α = 5%.6 103.2 33.3 41. para α = 5% .5 7 85.6 8 105.9 37.2 8 43.2 33.11.0 83.7 37.4 98.3 40.3 101. 1.5 38.5 1.2 6 84.3 35. Para testar a hipótese H o .6 Marca B 38. PROCESSO s/isolamento c/isolamento 30.5 36.8.10. testar a hipótese H o e concluir para α = 5%.4 Estes resultados ratificam a afirmação do produtor da marca B.6 98.2 33.9 35. foram obtidos os dados (em ° C) do quadro abaixo.0 40. Exercícios Suplementares 1.6 30.3 40.Cap 1 – Testes de Hipóteses ____________________________________________________________________ Rebite 1 2 3 4 5 6 Marca A 34.6 5 42.5 38. Com os dados amostrais abaixo.5 10 38.8 1.4 93. Para testar o produto.4 34.6 Temperatura °C 42.7 42. Um experimentador deseja testar o efeito de certo fertilizante na média de produção de milho. em cada condição.8 2 99.2 35.2 2 35. As produções em kg/unidade experimental foram as seguintes: 16 . Para realizar o experimento tinha-se 12 unidades experimentais de áreas iguais.2 102.5 28.1 33.2 40. Testar e concluir para α = 5% .3 34.12. Testar a hipótese H o e concluir.8 92.8 39.5 75.2 4 40. relativos à temperatura de rompimento das peças. considerando os dados abaixo.5 28.2 6 41. o processo B foi introduzido.

Desejando comparar os efeitos de dois analgésicos A e B. em termos do tempo médio de ação sobre pacientes com certa doença (bastante prolongada).14. ambos foram aplicados a 14 doentes. com nível de significância igual a 5%. Para tanto.2 32. Cada animal recebeu um dos SM. sendo que 7 pacientes receberam primeiro o A.15. segundo a condição normal e submetidos à extirpação do timo (timectomização) aos 4 dias de idade. Ao nível de 1% de probabilidade. em dias diferentes. após certo período de tempo. Determinada fábrica.13.0 20. Em determinada propriedade rural. realizou uma pesquisa. em gramas. 1.6 35.3 39. Os resultados obtidos. A situação foi controlada de forma a não haver interferência do efeito de um sobre o outro. Verificar se a timectomização piora o ganho médio de peso destes animais. foi avaliado o efeito de Suprimento Mineral (SM) na engorda de suínos. tomou-se 14 suínos similares em peso. pode-se concluir que indivíduos do sexo masculinos deveriam ser contratados porque apresentaram menor variabilidade no tempo gasto? Masculino Feminino 4 1 8 5 3 2 9 14 7 3 5 11 17 . usando α = 5% . foram os seguintes: Pesos (Kg) 36 35 31 37 SM 1 SM 2 38 40 33 30 36 38 32 32 30 37 É possível afirmar ao nível de 1% de probabilidade que o SM 1 promove menor média de ganho de peso que o SM 2? 1. 1.0 20.3 18. de ratos machos da raça Wistar com 15 dias de idade.6 40.6 23.9 1. Os resultados (em minutos) foram: Paciente XA XB 1 2 3 4 5 6 7 8 9 10 11 12 13 14 362 345 356 370 360 365 345 363 358 332 335 370 335 362 320 330 315 325 323 328 318 322 320 310 308 332 307 325 Testar a hipótese de diferença nula entre as médias populacionais. e outros 7 primeiro o B.16. pode o experimentador concluir que houve aumento da média de produção de milho por causa do fertilizante.2 22. Condição Normal Timectomizado 40. Os dados abaixo se referem aos pesos. Os dados (em minutos) obtidos são fornecidos abaixo. ao nível de significância igual a 1%. interessada em ampliar o seu quadro de pessoal com indivíduos do sexo que apresentam menor variabilidade no tempo gasto para realizar a montagem de determinado equipamento eletrônico.EST 220 – Estatística Experimental – I/2008 ________________________________________________________________ Com Fertilizante Sem Fertilizante 25 35 35 25 45 20 30 15 20 30 25 30 De posse dos dados acima.

3 16. Um fazendeiro. Dois novos tipos de embalagens (A e B) foram testados para armazenar extrato de tomate.8 7.2 14.00? (use o nível de 1% de significância) Média N de indivíduos avaliados Variância o 945 15 25 1.1 7.5 17.1 7. em parte.Cap 1 – Testes de Hipóteses ____________________________________________________________________ 1.8 7. visando otimizar os recursos de sua propriedade e aumentar a média de produção de leite. receberam a mesma quantidade de extrato de tomate e foram avaliados quanto ao seu pH três meses após a sua armazenagem.5 7. você recomendaria o uso de cama de galinha para substituir parte a ração? 1. seguindo as recomendações de um zootecnista. Uma boa embalagem mantém o pH do extrato de tomate em 7.4 7.3 16. Por meio dos dados amostrais fornecidos abaixo. b.20.5 16.3 7.8 18. Para comparar estes dois tipos de embalagens. 10 embalagens de cada um dos dois tipos testados.6 18.4 7. 18 . Pode-se afirmar que durante a amamentação da 2a cria ocorre maior produção de leite? Use α = 5% Cria 1 2 Produção de cada animal (Kg de leite/dia) 19.2 7.6 7. Para tanto.5 14. foram selecionadas ao acaso 10 animais.18.7 Admitindo-se que a variabilidade do pH em extratos armazenados nas embalagens A e B é a mesma.0 7. em kg de leite por dia: Ração com cama Ração sem cama 45 38 47 37 49 35 48 39 46 37 De acordo com os resultados obtidos e ao nível de 5% de probabilidade.3 7.6 7. pede-se: a.3 16. o fornecimento de ração ao seu gado.1 19.3 16. é possível concluir que a média salarial de determinada empresa é inferior a R$ 950. selecionou um plantel de 10 animais e obteve os seguintes dados. Dentre um rebanho de vacas reprodutoras.19.1 18. Dos animais selecionados.2 19.4 7.5 15. Baseado nos seus cálculos do item a.5 19.4 7.2 20.1 17.8 1.2 19.3 7. Pode-se concluir que existe diferença significativa entre as duas embalagens com relação a média do pH do extrato de tomate três meses após a sua armazenagem? Use o nível de 5% de probabilidade.17. realizou uma pesquisa para verificar se o fornecimento da cama de galinha da sua granja poderia substituir. Os resultados das avaliações são apresentados a seguir Embalagem A Embalagem B 6.0 7.7 7.6 13. foram anotadas as produções médias diárias (kg/dia) durante o período de amamentação das crias 1 e 2.2 até três meses após a sua armazenagem.4 7. qual embalagem deveria ser recomendada? Justifique.

pergunta-se: 1. fez a avaliação da dosagem do hormônio H nos indivíduos portadores da doença antes e depois de serem medicados com a nova droga.9 6 3.0 3 3. Ho : m = 2. Ha : m > 2. Ha : m ≠ 2. Um fabricante de componentes eletrônicos elaborou um novo tipo de microprocessador. Ha : m < 2.22.5 GHz. m = 1.72 GHz ˆ b.5 GHz c.5 GHz.1 As hipóteses estatísticas para este problema são a.5 GHz d. m = 1. Ho : m = 2. realizou uma pesquisa com 6 indivíduos portadores desta doença. leva a conclusão de que o novo microprocessador possui velocidade média de processamento a.5 GHz g. No entanto.5 GHz c. Com tal finalidade. da qual obteve as seguintes informações: Processador Velocidade (GHz) 1 3. Ho : m = 2.EST 220 – Estatística Experimental – I/2008 ________________________________________________________________ 1. visando testar um novo tipo de droga.08 GHz Desvio padrão da velocidade de processamento dos 6 processadores amostrados = 0. Ha : m ≠ 2. igual a 2. Os resultados desta pesquisa são fornecidos a seguir Indivíduo Antes Depois 1 100 140 2 110 135 3 98 125 4 105 145 5 108 135 6 105 140 Pode-se concluir que a nova droga é capaz de aumentar a dosagem média do hormônio H ao nível de 5% de significância? 1.2 O valor da estatística t calculada para este problema.0 2 2.1 5 1. nenhuma das anteriores 1. é desejável que este novo microprocessador tenha velocidade média de processamento superior a 2. inferior a 2.21.5 GHz.8 Média da velocidade de processamento dos 6 processadores amostrados = 3. Ho : m = 2. Em humanos é relativamente comum o hipotiriodismo.5 GHz.5 GHz f. nenhuma das anteriores 1.5 GHz b. Para testar o novo microprocessador. Ha : m < 2. ao nível de 5% de probabilidade.5 GHz.95 GHz Com base nas informações fornecidas.3 O valor da velocidade média amostral a partir do qual a hipótese H0 é rejeitada é igual a ˆ a.5 GHz b.50 GHz 19 . Uma indústria farmacêutica. o fabricante retirou ao acaso.7 4 4.5 GHz ˆ ˆ d.22. uma amostra de 6 unidades. a qual é uma deficiência da glândula tireóide para produzir certos hormônios.5 GHz. Ha : m = 2.5 GHz.22.5 GHz ˆ ˆ e. Ho : m > 2. superior a 2.22. Ho : m = 2.

3 (regular). qual o melhor produto em termos da média da nota recebida? Indivíduo: Produto A: Produto B: 1 2 3 4 5 6 7 8 9 10 3 3 4 4 4 4 4 5 5 5 3 3 3 3 2 2 2 1 1 1 20 .4 1.0 4.0 66.2 51.25. o qual consta de oito soquetes ligados em paralelo e de um reostato ligado em série com um gerador.5 4.2 Ao nível α = 0.23. Uma máquina foi regulada para fabricar placas de 5 mm de espessura.24. 1.0 59. Admitindo-se os valores 1 (péssimo). há diferença entre as indicações dos dois termômetros. em horas: Marca A: 35 26 40 35 31 49 38 24 Marca B: 23 28 31 35 36 30 27 26 Podemos concordar com a afirmação do fabricante da marca A. teste a afirmação de que a quantidade média de acetaminofena é a mesma nas duas marcas. 2 (ruim). Tendo-se obtido os valores abaixo.Cap 1 – Testes de Hipóteses ____________________________________________________________________ ˆ c.0 66. Um aparelho é utilizado para testar a durabilidade de lâmpadas. de que suas lâmpadas têm maior média de durabilidade que as da marca B (α = 1%).8 5. Oito lâmpadas da marca A e oito lâmpadas da marca B foram ensaiadas nesse aparelho. Selecionaram-se aleatoriamente oito comprimidos diferentes de cada um de dois remédios antigripais concorrentes. em mm: 5.4 71.27. Fez-se um teste do conteúdo de acetaminofena em cada um deles.9 4. sob as mesmas condições. fornecendo as seguintes durações. Dois produtos A e B.8 5.8 5. que forneceu as seguintes medidas de espessura. foram avaliados quanto ao gosto. a α = 5%? Termômetro 1: 38. de acordo com as notas fornecidas por 10 indivíduos.0 4. obtendo-se os seguintes resultados (em mg): Dozenol Niteze 472 562 487 512 506 523 512 528 489 554 503 513 511 516 501 510 Ao nível de 5% de significância.8 72.6 58. 4 (bom) e 5 (ótimo) e um nível de significância de 5%. foi colhida uma amostra de tamanho 10.7 4.2 44. Iniciada a produção. m = 3.3 Termômetro 2: 37.50 GHz e. pode-se aceitar a hipótese de que a regulagem da máquina foi satisfatória? 1.28 GHz ˆ d. em média.1 4.5 53.26. m = 3.5 44. Um banho de óleo é aquecido aos poucos e sua temperatura medida de meia em meia-hora por dois termômetros. 1. Dozenol (D) e Niteze (N). nenhuma das anteriores 1.01.

29. uma associação de consumidores resolve fazer uma bateria de testes com lâmpadas das duas marcas. qual deveria ser a conclusão do pesquisador? Utilize o nível de 5% de significância. A e B. 1. em média.EST 220 – Estatística Experimental – I/2008 ________________________________________________________________ 1. Para sanar esta dúvida. duas marcas alegam para si o título de. foram submetidos a um conjunto de oito questões. Podemos. ao nível de 5% de significância. Para tanto.30. Os resultados obtidos foram: Indivíduo Teor de glicose 1 119 2 122 3 120 4 110 5 112 6 115 7 116 Com base em um teste de hipóteses apropriado. Numa competição de mercado de lâmpadas fluorescentes. concluir que B seja mais rápido que A? Questão Indivíduo A Indivíduo B 1 11 5 2 8 7 3 15 13 4 2 6 5 7 4 6 18 10 7 9 3 8 10 2 1. O resultado do consumo em watts/hora desta bateria de testes é fornecido a seguir: Marca Consumo (watts/hora) A 69 72 73 72 70 B 89 92 93 92 90 Com base em um teste de hipótese. em mg.28. Suponha que um pesquisador da área de saúde deseja mostrar que os indivíduos portadores de febre amarela apresentam um teor de glicose inferior à média de 120 mg dos indivíduos não portadores. Dois candidatos a um emprego. sendo anotados os minutos que cada um gastou na solução. qual marca de lâmpada a associação de consumidores deveria recomendar? Utilize o nível de 5% de significância. coletou uma amostra de sangue em sete indivíduos portadores de febre amarela e para cada um deles fez a avaliação do teor de glicose. apresentar mais economia de energia. 21 .

1 Num experimento de consórcio na cultura do abacaxi. foram as seguintes: Tratamentos 1 .30 m) monocultivo 3 . + a ImI Exercício 2. que também é uma função linear de médias obtidas por meio de experimentos ou amostras. principalmente quando o experimento em análise é composto por mais do que dois tratamentos..90 x 0. Contrastes 2. Este capítulo visa dar fundamentos para estabelecer grupos de contrastes. que sejam de interesse.80 x 0. Daí. bem com estimar a variabilidade associada a cada um destes contrastes. entre tratamentos ou grupos de tratamentos. Com o uso de contrastes é possível ao pesquisador estabelecer comparações..30 m) + feijão Pede-se obter as estimativas dos seguintes contrastes: C1 = m1 + m2 – m3 – m4 C2 = m1 – m2 C3 = m3 – m4 ˆ mi 53.30 m) + amendoim 4 . Todos os conhecimentos adquiridos neste capítulo serão utilizados no Capítulo 5 para se realizar testes de hipóteses para o grupo de contrastes estabelecidos.80 x 0. 2. Introdução O estudo de contrastes é muito importante na Estatística Experimental. obter a estimativa para cada contraste estabelecido.Abacaxi (0..30m) monocultivo 2 . + a ImI C será um contraste entre médias se satisfizer a seguinte condição: ∑a i=1 I i =0 Estimador do Contraste Na prática. Definições Contraste Considere a seguinte função linear de médias populacionais de tratamentos C = a1m1 + a 2m 2 + . as médias de produção de frutos de abacaxi (em t/ha).0 60.Abacaxi (0.1.5 56.Cap 2 – Contrastes 2.Abacaxi (0.80 x 0. mas suas estimativas.4 22 .5 62. não se trabalhar com o contraste ˆ C mas com o seu estimador C .2. Assim tem-se que o estimador para o contraste de médias é dado por: ˆ ˆ ˆ ˆ C = a1m1 + a 2m 2 + . geralmente não se conhece os valores das médias populacionais mi .. com 5 repetições.Abacaxi (0. em Estatística Experimental.

0 C1 = m1 + m2 – m3 – m4 C2 = m1 – m2 C3 = m3 – m4 2. A ortogonalidade entre os contrastes indica independência linear na comparação estabelecida por um contraste com a comparação estabelecida pelos outros contrastes.4.. Contrastes Ortogonais Em algumas situações desejamos testar um grupo de contrastes relacionados com o experimento em estudo... ou seja.0 2 s c = 0.. + aImI ) Admitindo independência entre as médias ˆ ˆ ˆ ˆ V C = V (a m ) + V (a m ) + . respectivamente.5 r3 = 4 r4 = 5 ˆ m 3 = 10... que compõem o grupo a ser testado. ˆ m1 = 11.. então 2 2 a2 a2 ˆ ⎛a V C = ⎜ 1 + 2 + . Alguns tipos de testes indicados para este objetivo. geralmente. sejam ortogonais entre si. não se conhece a variância σ 2 ..45 ˆ m 4 = 21. + a ImI A variância do estimador do contraste é dada por: ˆ ˆ ˆ ˆ V C = V (a1m1 + a 2m 2 + .. assim 2 2 2 ˆ = a 2 σ1 + a 2 σ 2 + .. + a 2 σ I VC 1 2 I r1 r2 rI () 2 2 Admitindo-se homogeneidade de variâncias. a qual é obtida por I a2 2 ˆ ˆ V C = sc ∑ i i=1 ri ( ) () Exercício 2. dado por: ˆ ˆ ˆ ˆ C = a1m1 + a 2m 2 + . + aImI 23 ... Sejam os estimadores dos contrastes de C1 e C2 dados.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________________ 2... + a V (m ) 1 1 2 2 I I 2 1 1 2 2 2 2 I I ˆ Sabe-se que: V (m i ) = σ ri 2 i . obter as estimativas dos contrastes e as estimativas das variâncias das estimativas dos contrastes.2 Por meio dos dados e dos contrastes fornecidos abaixo.. σ1 = σ2 = . necessitam que os contrastes. por: ˆ ˆ ˆ ˆ C1 = a1m1 + a 2 m 2 + .3.. = σn = σ2 . Medidas de dispersão associadas a contrastes Considere o estimador do contraste C. Esta estimativa é denominada como estimador 2 comum s c . + V (a m () ) () ˆ ˆ ˆ ˆ V (C) = a V (m ) + a V (m ) + . + I ⎜r r2 rI ⎝ 1 () I ⎞ 2 a2 ⎟σ = σ 2 ∑ i ⎟ i=1 ri ⎠ Na prática.2 r1 = r2 = 6 ˆ m 2 = 10. Então o que normalmente se obtém é o valor do estimador da variância do estimador do contraste. mas sua estimativa a qual obtida por meio de dados experimentais.

.... Dentro de um grupo de contrastes ortogonais.. + a IbI V (mI ) ( ) ˆ A variância da média amostral é dada por: V (m i ) = ˆ ˆ Cov C1.4.. Logo. + I I ⎟σ 2 = σ 2 ∑ i i ⎟ ⎜ r r2 rI ⎠ i=1 ri ⎝ 1 Sabe-se que. ri ( ) ( ) ∑a b i=1 i I i =0 Para um experimento com I tratamentos.Cap 2 – Contrastes ˆ ˆ ˆ ˆ C 2 = b1m1 + b 2m 2 + . satisfazendo as mesmas pressuposições (médias independentes e homogeneidade de variâncias). se duas variáveis aleatórias são independentes. + aIb I I r1 r2 rI Admitindo que exista homogeneidade de variâncias entre os tratamentos. Assim. se C1 e C 2 são independentes. então. . portanto que: I ab ∑ ri i = 0 . ou seja: 2 σ1 = σ 2 = ...1 formam um grupo de contrastes ortogonais. 2. é necessário.. é obtida ˆ A covariância entre C1 por ˆ ˆ ˆ ˆ ˆ Cov C1.. C 2 = a1b1V (m1 ) + a 2 b 2 V (m 2 ) + . I. supondo independência entre tratamentos. serão também ortogonais. Exercícios 2. i=1 i Esta é a condição de ortogonalidade entre dois contrastes para um experimento com número diferente de repetições para os tratamentos. Para um experimento com o mesmo número de repetições. no entanto cada grupo deverá conter no máximo (I-1) contrastes ortogonais. C 2 = ⎜ 1 1 + 2 2 + . a covariância entre ˆ ˆ elas é igual a zero. todos os contrastes tomados dois a dois. o que corresponde ao número de graus de liberdade para tratamentos. a condição de ortogonalidade se resume a: ( ) σ i2 . C 2 = a1b1 2 σ1 σ2 σ2 + a 2b 2 2 + . = σI2 = σ 2 . para i = 1. Verificar se os contrastes do Exercício 2.. podem ser formados vários grupos de contrastes ortogonais. 2 I ⎛a b a b ab ⎞ ab ˆ ˆ Cov C1. Verificar se os contrastes do Exercício 2. C 2 = 0 Para que a covariância seja nula. a covariância entre eles é igual a zero. + bImI ˆ e C 2 . 24 . isto é: ˆ ˆ Cov C1.2 formam um grupo de contrastes ortogonais.. 2.3..

o índice de acamamento. subdividindo-os em subgrupos. obtém-se equações lineares. Dividir o m.m. É desejável que os valores a serem atribuídos. Como o número de incógnitas é superior ao número de equações existentes.5. deve-se estabelecer. e o número de parcelas experimentais envolvidas no 2º grupo. por g1. um contraste que seja de interesse e.) entre g1 e g2. Para isso atribui-se sinais positivos para membros de um grupo e negativos para membros do outro grupo. 25 . deve-se. Obtenha um grupo de contrastes ortogonais que permita testar as comparações segundo os critérios citados.c.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________________ 2. Foi instalado para avaliar a produção de 4 híbridos cujas características são apresentadas na tabela a seguir. cujas incógnitas são os coeficientes das médias que compõem o contraste. A metodologia pode ser resumida nos seguintes passos (BANZATTO e KRONKA. o início do florescimento. permitam que os coeficientes sejam números inteiros. que possui mais que uma média. Exercício 2. para cada contraste: Verificar o número de parcelas experimentais envolvidas no 1º grupo. O primeiro contraste é obtido pela comparação das médias de um grupo contra as médias do outro grupo. Métodos para obtenção de grupos de contrastes mutuamente ortogonais Obtenção por Meio de Sistema de Equações Lineares Neste método. a partir deste é que os demais são obtidos. digamos g2. será sempre necessário atribuir valores a algumas incógnitas. deveremos ter formado (I-1) comparações. Por meio da imposição da condição de ortogonalidade e da condição para ser um contraste. 1989): Divide-se o conjunto das médias de todos os tratamentos do experimento em dois grupos. Calcula-se o mínimo múltiplo comum (m. é possível estabelecer facilmente um grupo de contrastes ortogonais. Dentro de cada grupo formado no passo anterior.c. aplica-se o passo 1. Para se obter os coeficientes que multiplicam cada média que compõem os contrastes estabelecidos.m.5. Ao final. digamos g1. Hibrido Porte Inicio do Florescimento Índice de acamamento ri 1 Alto Precoce Médio 3 2 Alto Tardio Alto 3 3 Alto Tardio Baixo 3 4 Baixo Precoce Médio 3 Suponha que ao estabelecer as comparações dos híbridos com relação a produção. a princípio. Repete-se este passo até que se forme subgrupos com apenas uma média. O resultado será o coeficiente de cada média do 1º grupo. seja levado em consideração • • • o porte. Obtenção por Meio de Regras Práticas Por meio desta metodologia.

1 25. C e C 1 ˆ ˆ ˆ ˆ ˆ ˆ b) V C1 .4 27.6.45 . 1989): Tratamentos 1 – Solo de cerrado (SC) 2 – Solo de cerrado + esterco (SC+E) 3 – Solo de cerrado + esterco + NPK (SC+E+NPK) 4 – Solo de cerrado + vermiculita (SC+V) 5 – Solo de cerrado + vermiculita + NPK (SC+V+NPK) Obtenha um grupo de contrastes ortogonais entre as médias.5 ri 5 5 5 6 C1 = m1 − m 2 C 2 = m1 + m 2 − 2m 3 C 3 = m1 + m 2 + m 3 − 3m 4 Admitindo-se que os estimadores das médias sejam independentes e que 2 s c = 0. Multiplicar os coeficientes obtidos pelo número de repetições da respectiva média. pede-se ˆ ˆ ˆ a) C .0 18. Se possível. Exercícios Suplementares 2. foram comparados os efeitos de 5 tratamentos em relação ao crescimento de mudas de Pinus oocarpa. ( ) ( ) 2 3 ( ) 26 .6 22. O resultado será o coeficiente de cada média do 2º grupo. Dados Tratamentos 1 2 3 4 e os contrastes ˆ mi 25. e por meio das mesmas. dizer quais são os contrastes ortogonais entre si.6. V C 2 . Totais 21.6 2.7. por g2. 3 e 5 tenham 4 repetições.7 30.m. Num experimento inteiramente casualizado. No caso em que o número de repetições é igual para todos os tratamentos. com 4 repetições. 2. Exercício 2.c. este passo pode ser eliminado.Cap 2 – Contrastes Dividir o m. simplificar os coeficientes obtidos por uma constante. 60 dias após a semeadura.0 27. Os tratamentos utilizados e os resultados obtidos foram (BANZATTO e KRONKA.8. Obtenha um grupo de contrastes ortogonais entre médias.1 26. e V C 3 c) as estimativas das covariâncias entre os estimadores dos contrastes. Suponha agora para o exemplo 1 que os tratamentos 1 e 4 tenham 3 repetições e os tratamentos 2.

obter um contraste ortogonal C2 em relação a C1.10 r1 = r2 = r3 = 4. referente a um experimento com 3 tratamentos (r1 = r2 = 4 e r3 = 5). Dados os contrastes C1 = m2 – m4 e Y2 = –2m1 + m2 + m4. obter o contraste C 3 ortogonal aos contrastes C 1 e C 2 . 2.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________________ 2. obter um contraste ortogonal C3 em relação a C1 e C2. Num experimento com 4 tratamentos e 5 repetições.15. r2 = 4 e r4 = 5). 2. obter um contraste ortogonal C3 em relação a C1 e C2.10. referente a um experimento com 4 tratamentos (r1 = r2 = r3 = r4 = 5). obter um contraste ortogonal C3 em relação a C1 e C2. C 1 = m1 − m 2 C 2 = m1 + m 2 − 2m 3 . Dados os contrastes C1 = m1 – 4m2 + m3 + 2m4 e C2 = m1 – m3. Dado o contraste C1 = 2m1 – m2 – m3.9. C1 = m1 − m 2 r1 = r3 = 4 ( ) C 2 = 4m 1 + 5m 2 − 9m 4 r2 = r 4 = 5 2. obter um contraste ortogonal C2 em relação a C1 2.11. são dados os seguintes contrastes ortogonais: C1 = m 2 − m 4 C 2 = −2m1 + m 2 + m 4 Determinar um contraste C3 que seja ortogonal a C1 e C2. ˆ ˆ b) Obtenha V C1 c) Obtenha V(C1) 2. 2.16. 2. respectivamente. homogeneidade de variâncias entre tratamentos e admitindo que m1. Com os dados abaixo. referente a um experimento com 4 tratamentos (r1 = r3 = 6. verificar se os contrastes dados abaixo são ortogonais. 5. 27 .12.18. 3 e 6 repetições. Considere um experimento com 4 tratamentos e as seguintes informações: 2 s c = 4. r4 = 3 C1 = m1 + m 2 + m 3 − 3m 4 C 2 = m1 − 2m 2 + m 3 Pede-se: a) Forme um grupo de contrastes ortogonais.14.13. Dado o contraste C1 = 9m1 – 4m2 – 5m3. obter um contraste ortogonal C2 em relação a C1. a partir dos contrastes C1 e C2. 2.m 2 e m 3 têm. referente a um experimento com 3 tratamentos (r1 = r2 = r3 = 5). Dado o contraste C1 = 2m1 – m2 – m3. referente a um experimento com 3 tratamentos (r1 = r2 = 4 e r3 = 5). 2. Dados os contrastes C1 = m1 + m2 + m3 – 3m4 e C2 = m1 – 2m2 + m3.17. referente a um experimento com 4 tratamentos (r1 = r2 = r3 = 4 e r4 = 3). por meio do método do sistema de equações lineares. Supondo independência entre médias.

19.19.Cap 2 – Contrastes 2. obtendo-se os seguintes resultados: Adoçante 1-Químico 2. Baseando-se nos dados amostrais fornecidos.20.Químico 3. Num experimento. Para verificar o efeito de três tipos de adoçantes no teor de glicose no sangue. desejamos testar outros contrastes que sejam ortogonais a C1. Um resumo do experimento é dado a seguir Herbicida 1 – Biológico 2 – Químico à base de nitrogênio e enxofre 3 – Químico à base de nitrogênio e fósforo 4 – Químico à base de inativadores enzimáticos Média de produção (kg/ha) 46 31 32 25 Repetições 4 4 4 4 Suponha que seja de interesse testar o seguinte contraste entre as médias de tratamentos C1 = 3m1 − m 2 − m 3 − m 4 . Descreva qual comparação que está sendo feita por cada contraste que você obteve.1 Desejando-se testar o teor médio de glicose do conjunto de cobaias que recebeu adoçante químico contra o grupo que recebeu adoçante natural. foi realizada uma pesquisa em que se ministrou cada um destes tipos de adoçantes a um determinado grupo de cobaias. Obtenha o (s) outro (s) contraste (s) ortogonal (is) necessário (s) para completar o grupo de contrastes ortogonais a C1. Pergunta-se: a) Qual a comparação que está sendo feita pelo contraste C1? Qual a estimativa para este contraste? b) Por meio da estimativa obtida para o contraste C1 pode-se AFIRMAR que exista um grupo melhor de herbicidas do que outro? Justifique a sua resposta. pede-se: 2.Natural No de Cobaias 8 10 5 ˆ mi 115 90 75 s2 30 30 30 A partir dos dados fornecidos acima. 4 novos tipos de herbicida foram comparados para verificar se são eficazes para combater ervas daninhas e assim manter a produção de milho em níveis elevados. obtenha também a estimativa para cada um dos contrastes. o teor ˆ médio de glicose ( m i ) no sangue foi avaliado para cada grupo. Suponha ainda que todos os tratamentos possuam uma mesma variância e que sua estimativa é igual a 35 (kg / ha) 2 . 28 . qual seria o contraste apropriado? Qual o valor da estimativa deste contraste? 2. por certo período de tempo. no entanto. Ao final deste período. c) Qual a estimativa da variância para a estimativa do contraste C1? d) Forme um grupo de contrastes ortogonais a partir do contraste C1. 2.2 Suponha que seja de interesse testar a seguinte comparação: C1 = m2 – m3.19.

iv) Os contrastes C1 e C2 são ortogonais? Justifique a sua resposta.0 25.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________________ 2. denominados como: T1 = Sulfato de Amônio.0 28. Os resultados obtidos foram: Tratamentos 1 – Sulfato de Amônio 2 – Sulfato de Amônio + Enxofre 3 – Nitrocálcio 4 – Nitrocálcio + Enxofre ˆ mi 24. T3 = Nitrocálcio e T4 = Nitrocálcio + Enxofre.21. T2 = Sulfato de Amônio + Enxofre. onde foi avaliada a variável produção (kg/parcela) de quatro tratamentos (adubações).0 27. ii) Obter a estimativa da variância da estimativa do contraste C2.75 a) Estabelecer as seguintes comparações de interesse (as comparações solicitadas.0 ri 4 5 4 5 2 s c = 0. não são necessariamente ortogonais): i) Sulfato de Amônio versus Nitrocálcio na ausência de Enxofre ii) Sulfato de Amônio versus Sulfato de Amônio + Enxofre iii) Nitrocálcio versus Nitrocálcio + Enxofre b) Sendo dados. iii) Obter a variância do contraste C. com base em outros critérios. Considere um experimento. 29 . os seguintes contrastes: C1 = m1 – m2 C2 = 4m1 + 5m2 + 4m3 – 13m4 Pede-se: i) Obter a estimativa do contraste C2.

seu planejamento. e. Exemplos: a) uma fileira de plantas com 3 metros de comprimento no campo. Introdução à Experimentação 3. Como regra prática.2. c. Exemplos: Delineamento Inteiramente Casualizado (Capítulo 4). Unidade experimental: é a unidade que vai receber o tratamento e fornecer os dados que deverão refletir o seu efeito. b. A pesquisa científica está constantemente se utilizando de experimentos para provar suas hipóteses. Delineamento experimental: é a maneira como os tratamentos são designados às unidades experimentais. execução. casualização e controle local.3. Em termos estatísticos. Variável resposta: é a variável mensurada usada para avaliar o efeito de tratamentos. O esquema é justamente a maneira utilizada pelo pesquisador ao combinar os níveis dos fatores para se obter os tratamentos. b) um leitão e c) um litro de leite. Princípio da Repetição A repetição consiste em aplicar o mesmo tratamento a várias unidades experimentais. b) níveis de proteína na ração e c) diferentes temperaturas de pasteurização do leite. f. consiste na reprodução do experimento básico. isto é. Tratamento ou fator: é o método. ou seja. Porém. para que as conclusões sejam válidas.Cap 3 – Introdução à Experimentação ____________________________________________________________________ 3. Erro experimental: é o efeito de fatores que atuam de forma aleatória e que não são passíveis de controle pelo experimentador. Quanto maior é o número de repetições. elemento ou material cujo efeito desejamos medir ou comparar em um experimento. análise dos dados obtidos e interpretação dos resultados. todo experimento deve seguir alguns princípios básicos. espera-se que seja maior a precisão do experimento. Delineamento em Blocos Casualizados (Capítulo 6) e Delineamento em Quadrado Latino (Capítulo 7). Alguns Conceitos Básicos a. 30 . Não existe uma regra dizendo qual deve ser o número mínimo de repetições. É claro que o procedimento para realizar um experimento varia de acordo com a área para a qual está se fazendo uma pesquisa. Exemplos: a) variedades de milho. Princípios Básicos da Experimentação São três os princípios básicos da experimentação: repetição. o uso do princípio da repetição tem por finalidade obter uma estimativa do erro experimental. d. Introdução A experimentação tem por objetivo o estudo dos experimentos. Esquema: quando em um mesmo experimento são avaliados dois ou mais fatores os níveis dos fatores podem ser combinados de maneiras diferentes. 3. sugere-se que os experimentos tenham pelo menos 20 unidades experimentais e 10 graus de liberdade para o resíduo. 3. Isto depende do conhecimento do pesquisador sobre o assunto e do conjunto de condições em que será realizado o experimento. Exemplos: Esquema Fatorial (Capítulo 8) e Esquema em Parcelas subdivididas (Capítulo 9).1.

Constituem o erro experimental. A distribuição dos tratamentos as unidades é feita então dentro de cada bloco. a mesma chance de serem designados a qualquer uma das unidades experimentais. Aleatória São variações de origem desconhecida. Podem ser controladas pelo pesquisador. visando evitar que algum dos tratamentos seja sistematicamente favorecido ou desfavorecido por fatores fora de controle do pesquisador. com o uso do princípio da casualização em um experimento: a. as variações que contribuem para o erro experimental são convertidas em variáveis aleatórias. não podendo ser controladas. Por exemplo: tratamentos. Espera-se que com o controle na casualização a estimativa obtida para o erro experimental seja menor. Para utilizar este princípio. mas de natureza conhecida. é reduzir o efeito do erro experimental através do controle da variação existente entre as unidades experimentais. Fontes de variação de um experimento Em um experimento podem ocorrer as seguintes fontes de variação: Premeditada É aquela introduzida pelo pesquisador com a finalidade de fazer comparações. a todos os tratamentos. do uso do princípio do controle na casualização. Sistemática Variações não intencionais. é necessário inicialmente dividir as unidades experimentais em blocos de unidades de tal forma que dentro de cada bloco haja homogeneidade e um número de unidades igual ao número de tratamentos do experimento. Do ponto de vista estatístico. Todo experimento deve conter no mínimo os princípios básicos da repetição e da casualização. pois os erros experimentais atuam de forma independente nas diversas unidades experimentais. 31 . Por exemplo: heterogeneidade do solo. obtém-se uma estimativa válida do erro experimental. etc. Sendo assim com o uso do princípio da casualização. b. A finalidade. São devidas a duas fontes: variações no material experimental e falta de uniformidade nas condições experimentais. fica garantido o uso de testes de significância. tamanho de semente.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________________ Princípio da Casualização O princípio da casualização consiste em distribuir ao acaso os tratamentos às unidades experimentais.4. 3. Daí o nome do princípio controle na casualização. Este princípio tem por finalidade propiciar. Princípio do Controle na Casualização O uso do princípio do controle na casualização só é recomendado quando as unidades experimentais não são ou não estão sob condições homogêneas devido a influência de um ou mais fatores. Variação inerente ao material experimental.

5 A conclusão dada pelo extensionista ao final da pesquisa.4. ao final de sua pesquisa. A casualização tem a função de: a) fornecer uma estimativa do erro experimental b) validar a estimativa do erro experimental c) controlar a heterogeneidade das unidades experimentais d) nenhuma das anteriores 3. desejando comparar 10 rações para ganho de peso em animais. 3.3. pergunta-se: 3.3 Qual(is) foi(ram) o(s) princípio(s) básico(s) da experimentação utilizados nesta pesquisa? Justifique a sua resposta. procedeu da seguinte forma: tomou 10 animais de uma propriedade rural. - - 32 . porque foram oriundos de diferentes cruzamentos raciais e apresentavam idades diferentes.4 É possível estimar o erro experimental nesta pesquisa? Justifique sua resposta.5. 3. A repetição tem a função de: a) fornecer uma estimativa do erro experimental b) validar a estimativa do erro experimental c) controlar a heterogeneidade das unidades experimentais d) nenhuma das anteriores 3. 3. Um extensionista.4.2. Um experimento deve conter no mínimo o(s) seguinte(s) princípio(s) básico(s) da experimentação: a) repetição b) casualização c) controle local d) repetição e controle local e) repetição e casualização f) casualização e controle local g) nenhuma das respostas anteriores 3. Estes 10 animais visivelmente não eram homogêneos entre si. Baseado nestas informações.4. é estatisticamente aceitável? Justifique a sua resposta.2 Qual foi a constituição de cada unidade experimental nesta pesquisa? Justifique sua resposta.4. 3. de tal forma que cada animal recebeu uma única ração. Exercícios 3. as rações que o extensionista julgou ser as melhores foram designadas aos melhores animais.4.Cap 3 – Introdução à Experimentação ____________________________________________________________________ 3.1 Quantos e quais foram os tratamentos em teste nesta pesquisa? Justifique sua resposta.1.4. o extensionista recomendou a ração que proporcionou maior ganho de peso nos animais. e as rações que o extensionista julgou ser as piores foram designadas aos piores animais.

C6. pergunta-se: 3. quando que o princípio do controle local deve ser utilizado em um experimento? 3. O tempo. conteve DNA extraído da cobaia 2. Em termos gerais. ou seja. E4 foi destinada às amostras genômicas C10. E4 e E5) produz maiores fragmentos de DNA de células epiteliais de cobaias. 3. e E5 foi destinada às amostras genômicas C13. Em caso afirmativo. E4 e E5.4 O princípio da repetição foi utilizado nesta pesquisa? Justifique a sua resposta. C8. 10. 3. 3. E2. 33 . cada uma das amostras genômicas foi tratada com um tipo de enzima. C9. C5. 3. mediano e inferior. C2 e C3. uma amostra de 1 ml de cada substrato químico dos fragmentos de DNA foi colocado para correr em um gel.5.1 Quais foram os tratamentos em teste neste experimento? Justifique a sua resposta. 7. C13. As amostras genômicas foram identificadas de acordo com o número da cobaia que a originou.5 O princípio da casualização foi utilizado nesta pesquisa? Justifique a sua resposta. C4. cada amostra composta foi convenientemente tratada para a extração do DNA. de cada uma das 15 cobaias. E3. indique o que deveria ser feito de diferente neste ensaio para ser possível estimar o erro experimental. E3. Ao final obteve-se as amostras genômicas C1. Em caso negativo. 3. E2.5. Justifique a sua resposta. a amostra genômica identificada como C1. C2. 3. C14 e C15. 3. E2 foi destinada às amostras genômicas C4. qual foi a variável resposta utilizada para comparar os efeitos de tratamentos? Justifique a sua resposta. gasto por cada uma das 15 amostras para percorrer a distância de 25 cm foi registrado para comparar o efeito das enzimas E1. 12. C10. 2. C8 e C9. 9. C11.5.5. Em caso negativo.2 Neste experimento os tratamentos surgiram de uma forma aleatória. e assim por diante. 14 e 15) que eram supostamente homogêneas para as características essenciais. C11 e C12. Em caso afirmativo. a estimativa do erro experimental é válida? Justifique a sua resposta. faça uma análise crítica quanto à necessidade do uso de repetições num experimento. conteve DNA extraído da cobaia 1. realizou o seguinte ensaio: selecionou um conjunto de 15 cobaias (sistematicamente identificadas como 1. C7.7 É possível estimar o erro experimental nesta pesquisa? Justifique a sua resposta.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________________ 3. denominada de amostra composta. explique porque diferentes observações obtidas para um mesmo tratamento não são iguais.5. 4. Um bioquímico desejando verificar qual entre 5 enzimas (identificadas como E1. - - - - Com base nas informações fornecidas deste ensaio e das explicações fornecidas em sala de aula. C5 e C6. a amostra genômica identificada como C2. E3 foi destinada às amostras genômicas C7. C3. 11. A distribuição das enzimas às amostras foi feita da seguinte forma sistemática: E1 foi destinada às amostras genômicas C1. 6. em minutos. tomou uma amostra de tecido epitelial de cada um dos seguintes membros: superior.5. 13. 8.5. C12.6 O princípio do controle local foi utilizado nesta pesquisa? Justifique a sua resposta. premeditada ou sistemática? Justifique a sua resposta.8 Neste ensaio.5.5. C14 e C15. Procedeu posteriormente a uma mistura das amostras coletadas dos três membros.3 Qual foi a unidade experimental nesta pesquisa? Justifique a sua resposta. A amostra obtida contendo apenas o DNA foi denominada amostra genômica. 5.

o pesquisador temia que a medição dos mesmos pudesse interferir na comparação dos tipos de óleo.4 O princípio da repetição foi utilizado nesta pesquisa? Se sua resposta for afirmativa. o pesquisador decidiu que cada um dos 8 bioquímicos deveria fazer a medição do teor de gordura dos preparos de maionese produzidos utilizando os 8 tipos de óleo.6. o pesquisador decidiu que prepararia 8 lotes de substrato e dividiria cada lote em 8 partes iguais. 34 . exceto o óleo. houve uma pequena contaminação por fungo em algumas unidades experimentais. 2a) os 8 tipos de preparo de maionese obtidos misturando cada uma das amostras básicas com cada um dos 8 tipos de óleo.6. esse pesquisador procedeu da seguinte forma: para a avaliação do teor de gordura total. 3. o pesquisador constatou que. o pesquisador tinha à sua disposição 8 bioquímicos.6 O princípio do controle local foi utilizado nesta pesquisa? Se a sua resposta for afirmativa.6. 3. responda se o procedimento do pesquisador está correto.1 Quais foram os tratamentos em teste? Justifique a sua resposta. havia variação entre os lotes de substrato de preparos de maionese. 3. Visando controlar esta fonte de variação. seria denominada de amostra básica. deveriam ser avaliadas por cada um dos 8 bioquímicos. Se a sua resposta for negativa.6. Devido à falta de experiência dos bioquímicos.7 Qual foi a característica utilizada pelo pesquisador para avaliar o efeito de tratamentos neste experimento. explique como este princípio foi utilizado. observada nesse experimento? Justifique a sua resposta. julgou que a contaminação não comprometeria os resultados obtidos no experimento. Como um lote de substrato não seria suficiente para testar os 8 tipos de óleo em todas as repetições desejadas.6.3 Qual foi a unidade experimental utilizada nesta pesquisa? Justifique a sua resposta. assim obtidas. usando do seu conhecimento técnico na área. Se a sua resposta for negativa. Cada uma das 64 partes. foi então realizada uma distribuição ao acaso dos 8 tipos de óleo às amostras básicas.6. explique por que não houve a necessidade da utilização deste princípio. Com esta finalidade. apesar do controle de qualidade. 3. O pesquisador. Um pesquisador desejava comparar os efeitos que 8 tipos de óleo têm sobre o teor de gordura total em preparos de maionese.Cap 3 – Introdução à Experimentação ____________________________________________________________________ 3. o pesquisador sabia que. as seguintes perguntas: 3. após certo tempo do experimento ter sido instalado. baseado em experimentos anteriores. Baseando-se nestas informações. 3. Justifique a sua resposta.6. tendo as seguintes restrições na casualização: - - 1a) cada tipo de óleo deveria ser aplicado em uma única amostra básica de cada um dos 8 lotes de substrato. responda com objetividade e clareza. 3.5 O princípio da casualização foi utilizado nesta pesquisa? Justifique a sua resposta.2 Como você classificaria a fonte de variação contaminação por fungo. No local que foi conduzido o experimento. O substrato de preparo da maionese é o composto que tem todos os ingredientes do preparo da maionese. responda qual foi o número de repetições utilizado.6.

2. 35 .preparar 6 lotes de 100 ml de cada sabor. Quais foram os princípios básicos da experimentação utilizados neste experimento? Justifique a sua resposta. 3. Goiabão e Castanheira). pergunta-se: 3. 3. e armazenado em cada um dos seis tipos de recipientes disponíveis. Um pesquisador de uma indústria de alimentos desejava verificar se seis sabores de sorvete apresentavam o mesmo o teor de glicose. Com esta finalidade. explique o que deveria ser feito para obter uma estimativa válida para o erro experimental. . Cerejeira. baseado em experimentos anteriores.4.7. 3. com a restrição de que cada tipo de recipiente recebesse todos os 6 sabores uma única vez.7.7. É possível estimar o erro experimental neste experimento? Justifique a sua resposta. cinco tábuas de Cerejeira. Verificou que possuía cinco tábuas de Jatobá. 3. 3.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________________ 3. Quais foram os tratamentos comparados neste experimento? Justifique a sua resposta. a estimativa do erro é válida? Justifique. O que faz surgir o erro num experimento? É possível eliminar totalmente o efeito do erro experimental em um experimento? Justifique a sua resposta.8. Se a resposta for afirmativa. O brilho foi medido por meio de um aparelho que mede a refletância da luz branca projetado sobre a tábua de madeira envernizada.5. Para controlar estas duas fontes de variação o pesquisador decidiu que cada sabor deveria ser avaliado em cada um dos seis equipamentos disponíveis. Mogno. sabia que duas outras fontes de variação indesejáveis poderiam influenciar o valor mensurado do teor de glicose: o tipo de recipiente utilizado para armazenagem do sorvete e o equipamento utilizado para mensuração do teor de glicose. Um fabricante de móveis realizou um experimento para verificar qual dentre cinco marcas de verniz proporciona maior brilho. cinco tábuas de Goiabão e cinco tábuas de Castanheira. de tal forma que cada tipo de madeira fosse testada com todas as marcas de verniz. Se a resposta foi negativa. Com esta finalidade.6.1. Sabe-se que a cor da madeira pode influenciar muito o brilho da mesma quando envernizada. Resolveu então distribuir ao acaso as cinco marcas de verniz às tábuas de madeira.7. Qual foi a unidade experimental utilizada neste experimento? Justifique a sua resposta. cinco tábuas de Mogno.7.7. Constatou também que as cinco tábuas de cada tipo de madeira eram homogêneas para as características essenciais e que havia uma grande variedade de cores entre os cinco tipos de madeira (Jatobá. O procedimento adotado pelo pesquisador de distribuir as marcas de verniz ao acaso dentro de cada tipo de madeira foi realmente necessário? Justifique a sua resposta.os lotes de sorvetes deveriam ser distribuídos ao acaso aos recipientes. O total de lotes a serem preparados seria de 36 lotes. 3. O pesquisador. procedeu da seguinte forma: Em sua fábrica identificou amostras de madeira que estariam disponíveis para a realização deste experimento.7. o pesquisador planejou o experimento da seguinte maneira: .3. - - Baseado nas informações deste experimento.

Se a resposta for afirmativa.Cap 3 – Introdução à Experimentação ____________________________________________________________________ os lotes de sorvetes seriam designados ao acaso aos equipamentos para a análise do teor de glicose.1. Baseando-se nestas informações.8. quantas vezes o mesmo foi utilizado? Se a resposta for negativa.3. Quais foram os tratamentos em teste neste experimento? Justifique a sua resposta.8. discuta sobre a necessidade do mesmo ser utilizado neste experimento. com a restrição de que cada equipamento avaliasse cada um dos seis sabores uma única vez. 36 . O princípio da repetição foi utilizado neste experimento? Justifique a sua resposta. pergunta-se: 3. 3. 3. O princípio do controle local foi utilizado neste experimento? Justifique a sua resposta.2.8.

.. Deste quadro pode-se retirar algumas informações de interesse: no de unidades experimentais: N = I x J Total geral: G = i =1. J Totais 1 Y11 Y12 . Estas condições homogêneas geralmente são obtidas em locais com ambientes controlados tais como laboratórios... IJ ˆ Média para o tratamento i: m i = 4. Y22 . estufas e casas de vegetação. .. Os outros delineamentos experimentais. Introdução No Delineamento Inteiramente Casualizado (DIC) a distribuição dos tratamentos às unidades experimentais é feita inteiramente ao acaso. Como não faz restrições na casualização.3. .. A coleta de dados da pesquisa pode ser resumida. Delineamento Inteiramente Casualizado 4. j =1 ∑ I. . Y1J T1 Tratamentos 2 . Y2J T2 I YI1 YI2 .. O DIC utiliza apenas os princípios básicos da repetição e da casualização.. YIJ TI ..2. por exemplo: blocos casualizados e quadrado latino. considere um experimento instalado no DIC com I tratamentos e J repetições.EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ 4.1. Quadro de tabulação dos dados A título de exemplo.. O modelo estatístico identifica quais são as fontes de variação dos valores de uma variável resposta em estudo..J Yij = ∑ Ti = Y•• i =1 I Total para o tratamento i: Ti = ∑ Yij = Yi• j =1 J Ti J G ˆ Média geral do experimento: m = .. Modelo estatístico Existe um modelo estatístico específico para cada tipo de delineamento... Y21 ... num quadro do tipo a seguir: Repetições 1 2 .. se originam do DIC pelo uso de restrição na casualização. 4.. o seguinte modelo estatístico deve ser utilizado nas análises estatísticas: Yij = m + t i + e ij 37 . o uso do DIC pressupõe que as unidades experimentais estão sob condições homogêneas. Para os dados oriundos de um experimento instalado segundo o DIC...

j=1 ∑ (Y I. independentes.J ij ˆ 2 − m) = i=1. essas fórmulas demandam muitos cálculos. j=1 ˆ ˆ 2 ∑ (mi − m) + i=1. t i = mi − m eij é o erro experimental associado ao valor observado Yij . Yij é o valor observado para a variável resposta obtido para o i-ésimo tratamento em sua j-ésima repetição. m média de todos os valores possíveis da variável resposta. na variação devido à diferença entre os efeitos dos tratamentos e na variação devido ao acaso.J pode-se verificar que: i =1. Partindo do modelo estatístico.J I. pode-se decompor a variação entre os valores observados nas diferentes causas de variabilidade. j =1 ∑ duplos produtos = 0 . j=1 ∑ (Y I. que também é denominada de erro experimental ou resíduo. com média zero e com variância comum.J I. m i e e ij por seus estimadores tem-se: ˆ ˆ ˆ ˆ Yij − m = (mi − m) + (Yij − m i ) . 38 . t i é o efeito do tratamento i no valor observado Yij . elevando ambos os membros ao quadrado ˆ ˆ ˆ ˆ (Yij − m)2 = (mi − m) + (Yij − mi ) 2 .J ij ˆ 2 − m) = I. j=1 ∑ (Y ˆ 2 − mi ) + i=1. porque não é possível controlar o efeito de fontes de variações que ocorrem de forma aleatória e desconhecida. No entanto. e ij = Yij − m i O erro experimental ocorre em todos os experimentos. Este erro é o responsável pela variação observada entre as observações obtidas nas repetições para cada tratamento. tem-se: Yij − m = (m i − m) + (Yij − m i ) . 4.J i=1.4.J i ˆ ˆ 2 − m) + (Yij − m i ) . a variação existente entre todas as observações. para que esta técnica seja empregada é necessário que sejam satisfeitas as seguintes pressuposições: 1a) os efeitos do modelo estatístico devem ser aditivos. j=1 ˆ ∑ [(m I.EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ em que. j=1 ∑ duplos produtos I. No entanto. pode-se obter os valores para as respectivas somas de quadrados. como demonstrado a seguir: Considere o modelo estatístico para um experimento instalado segundo o DIC: Yij = m + t i + e ij fazendo t i = m i − m e eij = Yij – mi . ou seja. substituindo m. 2a) os erros experimentais devem ser normalmente distribuídos. Análise de Variância É uma técnica de análise estatística que permite decompor a variação total. ij ] i=1. [ ] aplicando somatório i=1. SQTotal = SQTrat + SQRes Escrevendo de uma forma mais simplificada a igualdade anterior temos: Por meio das fórmulas obtidas anteriormente.

J ⎞ ⎜ ∑ Yij ⎟ ⎜ ⎟ ⎝ i=1. i =1.J Yij I.J i =1. j =1 ˆ ˆ 2 ∑ (m i − m) I. j =1 ˆ − m) = 2 ij i =1.J ⎞ ⎜ ∑ Yij ⎟ ⎜ ⎟ I. j =1 I ∑ ˆ ˆ ˆ m i2 − 2m ∑ m i + i =1. j=1 ⎠ IJ 2 2 finalmente temos: SQTotal = i =1. i =1. j =1 ˆ ∑ (m I. j =1 ˆ ∑m ∑ (Y ˆ 2 − m) = i =1. temos: i =1. j =1 ⎜ ⎜ ⎝ I. j =1 ∑Y IJ I. i =1. j =1 I.J simplificando tem-se.EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ Fórmulas de mais fácil aplicação podem ser obtidas.J ˆ ˆ − 2mYij + m 2 I. j =1 ∑ (Y I. j =1 ∑ (Y I. j =1 ⎠ = ∑ Yij2 − IJ i =1.J I.J I.J i =1.J = 2 i =1. j =1 ˆ ∑m i =1. j =1 I i =1.J ij . j =1 ∑ (Y I. Tem-se que: SQTotal = i =1.J ij ij ˆ 2 − m) = I. j =1 ˆ A média geral pode ser escrita como: m = i =1.J ) 2 aplicando-se as propriedades de somatório. j =1 2 ⎛ I.J i ˆ − m) 2 desenvolvendo o quadrado perfeito. conforme é mostrado a seguir.J i =1. j i =1.J ) 2 aplicando-se as propriedades de somatório. j =1 ⎜ i=1. j =1 ˆ ∑ (m I. j =1 ˆ ∑ Yij2 − 2m ∑ Yij + i =1.J = I. j =1 ∑ (Y I.J ∑ (Y I. j =1 I.J ij ˆ − m) 2 ⎛ I. j =1 ∑Y I.J 2 i ˆ ˆ ˆ − 2m ⋅ m i + m 2 I.J ij ˆ − m) 2 ⎛ I.J ij ˆ − m) 2 ⎛ I. j =1 I. Inicialmente trabalharemos com a fórmula da SQTotal. temos: i =1. j =1 2 = ∑ Yij − 2 ∑=1Yij + IJ⎜ IJ IJ i=1. Para a SQTratamentos tem-se: SQTrat = i =1. j =1 ˆ ˆ ˆ ˆ ˆ − m) = J∑ m i2 − 2mJ∑ m i + IJm 2 i =1 i =1 A média geral e a média para tratamentos podem ser escritas respectivamente como: 39 . j =1 ∑ (Y I.J ⎝ i=1.J ˆ ˆ 2 ∑ (m i − m) ˆ ∑ (m i I.J i =1.J 2 ij ij ˆ − m) 2 desenvolvendo o quadrado perfeito. j=1 ⎠ = ∑ Yij2 − 2 + IJ i =1.J ⎝ i =1.J ⎜ ∑ Yij ∑ I. assim ⎞ ⎟ ⎟ ⎟ ⎟ ⎟ ⎠ 2 i =1.J i =1. j =1 ∑ (Y I. j =1 que é a fórmula mais prática para se calcular a SQTotal.J ⎞ ⎜ ∑ Yij ⎟ ⎜ ⎟ I.J 2 ij ˆ ˆ − 2m ∑ Yij + IJm 2 i =1.

j J = J∑ 2 − 2 + IJ⎜ IJ J IJ i =1 J ⎜ ⎜ ⎝ I.J ⎜ ∑ Yij ⎟ ⎟ ⎜ ⎝ i =1. j ⎜ 1. j =1 ˆ ∑ (m I.J Yij I ⎜ ∑ Yij ∑ I Ti Ti2 i =1. então j =1 i =1.J i =1. ˆ ∑ (m I.J i ˆ − m) 2 ⎛ I. A Soma de Quadrados do Resíduo (SQRes) é obtida por diferença. tem-se.J ij ˆ e mi = I. j=1 = J∑ 2 − 2 J∑ + IJ⎜ IJ IJ i =1 J i =1 J ⎜ ⎜ ⎝ ⎞ ⎟ ⎟ ⎟ ⎟ ⎟ ⎠ 2 sabe-se que Ti = ∑ Yij . geralmente denotada por ANOVA (ANalysis Of VAriance) para a análise de um experimento instalado segundo o DIC. tem-se: ˆ m= i =1. No caso em que o número de repetições varia de acordo com o tratamento a fórmula apropriada é ⎛ I. j =1 ⎠ + =∑ −2 IJ i =1 J 2 ⎞ ⎛ I.J ⎜ ∑ Yij ⎟ I. j =1 i ˆ 2 − m) ⎞ ⎛ I.J ⎞ ⎟ ⎟ ⎟ ⎟ ⎟ ⎠ 2 simplificando.SQTrat O quadro da análise de variância. j =1 ⎠ IJ 2 2 finalmente tem-se: ⎞ ⎛ I. j =1 ⎜ i=1. j=1 ⎟ ⎠ ⎝ ˆ ˆ 2 SQTrat = ∑ (m i − m) = ∑ i − IJ i =1.J Ti J i =1.EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ IJ substituindo na expressão anterior. j =1 ˆ ∑ (m I. N é o número de unidades experimentais = ∑r i =1 I i ri é número de unidades experimentais do tratamento i. SQRes = SQTotal .J I T 2 ⎜ i=1.J ∑ Yij i=∑=1Yij ⎜ i=∑=1Yij I Ti2 i =1. j =1 ∑Y I.J I. j =1 1. com igual número de repetições para todos os tratamentos é do seguinte tipo: 40 . j =1 i =1 J A fórmula anterior é utilizada quando o número de repetições é igual para todos os tratamentos.J J i ˆ 2 − m) ⎛ I.ri ⎞ ⎜ ∑ Yij ⎟ I T 2 ⎜ i =1.J ⎜ ∑ Yij ⎟ ⎟ ⎜ 2 I Ti ⎝ i =1. j =1 ⎟ ⎝ ⎠ SQTrat = ∑ i − ri N i =1 2 em que.

por meio do quociente entre a soma de quadrados com o respectivo número de graus de liberdade. I(J-1)] A partir das SQTrat e SQRes. Para se concluir se existe diferença entre tratamentos. - 4. < 10% 10 a 20% 20 a 30% >30% Avaliação Baixo Médio Alto Muito Alto Precisão Alta Média Baixa Muito Baixa Porém o valor do CV não tem nada de absoluto.EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ FV Tratamentos Resíduo Total GL (I-1) I(J-1) IJ . experimentos realizados em locais com 41 .. obtém-se os respectivos quadrados médios. estatisticamente diferentes de zero. então não rejeita-se H0 e conclui-se que os tratamentos têm efeitos iguais ao nível de significância em que foi realizado o teste. o que equivale a dizer que existe pelo menos um contraste entre as médias dos tratamentos. então rejeita-se H0 e conclui-se que os tratamentos tem efeito diferenciado ao nível de significância em que foi realizado o teste.1 SQ SQTrat SQRes SQTotal QM SQTrat I−1 SQ Re s I(J − 1) F QMTrat QM Re s Ftab. pois existe uma variabilidade inerente a cada área de pesquisa. Por exemplo. = m I = m . calcula-se o valor de F. As hipóteses para o teste F da análise de variância para tratamentos são as seguintes: H 0 : m1 = m 2 = . Quanto menor o CV mais preciso tende a ser o experimento. o qual é obtido na tabela de distribuição da variável aleatória F. se o valor de F calculado for menor que o valor do F tabelado. ao nível de probabilidade que foi realizado o teste. A título de classificação geral pode-se utilizar a seguinte tabela C. de acordo com o nível de significância do teste. que é obtido pelo quociente do QMTrat com o QMRes.. Este valor de F calculado deve ser comparado com o valor de F tabelado. são estatisticamente nulos. Coeficiente de Variação O coeficiente de variação é calculado da seguinte maneira: CV = QMRe s ⋅ 100 ˆ m O CV é utilizado para avaliação da precisão de experimentos. graus de liberdade para tratamentos e graus de liberdade para resíduo. A regra decisória para o teste F é a seguinte: - se o valor do F calculado for maior ou igual ao valor do F tabelado. α [(I-1). H a : não H 0 . o que equivale a dizer que todos os possíveis contrastes entre as médias dos tratamentos.V. ao nível de probabilidade que foi executado o teste.5.

6. é possível concluir que existe diferença significativa entre as variedades com relação a produtividade. Para comparar a produtividade de quatro variedades de milho. A designação das técnicas de preparação aos atletas foi feita totalmente ao acaso e de tal forma que o número de atletas avaliados em cada uma das técnicas fosse o mesmo. testou três novas técnicas de preparação. após um determinado período de tempo de aprendizado da técnica pelos atletas. 4. cada uma das 4 variedades em 5 parcelas experimentais. Exercícios 4. A partir dos dados experimentais fornecidos abaixo.2. b) todas as variações exceto a devida a tratamentos. Isto pode acarretar em uma estimativa muito alta para o erro experimental. Um treinador de corrida rústica. são consideradas como sendo variações que ocorrem ao acaso.7. b) é o delineamento experimental que apresenta o maior valor para o número de graus de liberdade associado ao resíduo.1. utilizando o nível de significância de 5%? A 25 26 20 23 21 115 23 Variedades B C 31 22 25 26 28 28 27 25 24 29 135 130 27 26 D 33 29 31 34 28 155 31 Totais Médias 4. Vantagens e Desvantagens do delineamento inteiramente casualizado Vantagens a) não existem exigências quanto ao número de tratamentos e repetições. Desvantagens a) não é fácil conseguir e manter total homogeneidade das condições durante a toda a realização do experimento. 4. Para tanto trabalhou com um grupo de 15 atletas completamente homogêneos para as características essenciais. um agrônomo tomou vinte parcelas similares e distribuiu.EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ ambiente controlado geralmente são mais precisos e podem apresentar CV menores que 5%. inteiramente ao acaso. Os resultados obtidos. objetivando melhorar o desempenho de seus atletas. foram os seguintes (minutos / 25 Km): 42 .

Ao nível de 5% de probabilidade e considerando os 43 .0 105. d) Estabeleça um contraste para comparar aditivos de formulação básica.0 120. pede-se. Os dados referentes as taxas de glicose.4. e concluir. Obtenha a estimativa para este contraste.0 90.0264 Ácido Fraco 6. um experimento no DIC foi realizado.0 105.0 Normal 86.0 110. Obtenha a estimativa para este contraste.0 95. a) Quais foram os Princípios Básicos da Experimentação utilizados pelo pesquisador neste experimento? b) Qual foi a unidade experimental nesta pesquisa? c) É possível concluir que existe diferença entre as técnicas de preparação com relação ao tempo médio gasto para percorrer a distância de 25 km? (α = 1%) d) Qual seria a técnica a ser recomendada? 4.0 89. as quais se diferenciavam pelo tipo de aditivo que era acrescentado à mesma durante o seu processo de fabricação.0 Pseudoparotidectomizado 90.0 88.0 Usando α = 5% . Vinte e quatro ratos machos da raça W foram escolhidos aleatoriamente e separados em três grupos.5 97. Para efetuar o teste. Após os testes de rodagem.0 100.0 87.0 95.0 93.0 95.09 10 Com base nos resultados acima. 4.06 10 Base Fraca 10.EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ Repetições 1 2 3 4 5 Totais Técnicas de Preparação 1 2 3 130 125 135 129 131 129 128 130 131 126 129 128 130 127 130 643 642 653 De acordo com os resultados obtidos. segundo o grupo.O resultado das vendas efetuadas por 3 vendedores de uma indústria de pesticidas durante certo período é dado a seguir. em miligramas por 100 ml de sangue. os resultados obtidos foram (km/l): Aditivo a base de Ácido Forte Médias 14.0 92.56 10 Base Forte 10.3. em ratos machos com 60 dias de idade são dados abaixo: Parotidectomizado 96.5 85.5 87.5 85. em ratos.0 108. pede-se: a) Existe diferença entre os 4 tipos de formulações? (α = 5%) b) Estabeleça um contraste entre o grupo à base de formulação ácida contra o grupo à base de formulação básica. testar a hipótese de que as médias relativas aos três grupos são iguais. Com o objetivo de diminuir o consumo dos motores à gasolina.0 100. 4. c) Estabeleça um contraste para comparar aditivos de formulação ácida. uma determinada indústria petroquímica testou 4 novas formulações de gasolina.0 92.5.81 Nº de carros 10 SQResíduo=6. a indústria petroquímica utilizou carros completamente homogêneos para todas as características. Obtenha a estimativa para este contraste. Com o objetivo de verificar se a parótida tem influência na taxa de glicose no sangue. A designação das formulações aos carros foi feita inteiramente ao acaso.

Proceda a análise de variância dos dados (use α = 5%) 4. em kg.1 3.0 24. Repetições 2 3 8.1 10.1 6.0 Tais dados são descritos segundo o modelo estatístico: Yij = m + ti + eij.1.6.4 ˆ m3 = 130.7.0 4 7. pode-se concluir que existe efeito significativo de rações com relação ao ganho de peso médio proporcionado pelas mesmas? 4. A 29 27 31 29 32 30 178 Vendedores B 27 27 30 28 C 30 30 31 27 29 147 Totais 112 4.6 ˆ m2 = 128.3 10.. Proponha um contraste que compare as rações B e C juntas contra as rações D e E.2 6.40 QM 7.2.80 14 78. Baseado nas informações fornecidas abaixo e supondo que os tratamentos que possuem as maiores médias são os desejados. pede-se: 4.0 26.3.C.2 11. Os seguintes dados referem-se a ganhos de peso. FV Tratamentos Resíduo Total Médias de tratamentos: ˆ m1 = 128. 44 . 4.0 Rações A B C D E 1 7. de animais durante um período experimental.7. Calcule o coeficiente de variação e interprete-o. verifique se há diferença de eficiência entre os vendedores. De acordo com o resultado do teste F.I.8 4.9 5.7.9 6.1 7.7 Totais 29.8 10.6 GL SQ 2 14. pergunta-se: Qual(is) tratamento(s) deve(m) ser recomendado(s)? Justifique a sua resposta.4.9 11.0 9.0 163.0 40.7.0 44.0 6.7.0 8. Obtenha a estimativa para este contraste. Baseando nas informações fornecidas.9 11. Use o nível de 1% de significância.EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ vendedores como tratamentos de um D.0 11.40 F 4.

A dms representa o menor valor que a estimativa de um contraste deve apresentar para que se possa considerá-lo como significativo. deve-se proceder à análise de variância dos dados e. Para estudar o efeito deste tipo de fator. Dentre os diversos testes existentes na literatura. Procedimentos para Comparações Múltiplas 5. Um fator quantitativo é aquele onde cada nível é descrito por uma quantidade numérica em uma escala. serão vistos os quatro testes mais comumente utilizados. Por exemplo. Estes testes podem ser divididos em duas categorias principais de acordo com os tipos de contrastes que podem ser testados: 1a) Procedimentos para testar todos os possíveis contrastes entre duas médias dos níveis do fator em estudo a) Teste de Tukey b) Teste de Duncan 2a) Prodedimentos para testar todos os possíveis contrastes entre médias dos níveis do fator em estudo a) Teste t de Student b) Teste de Scheffé Todos os procedimentos se baseiam no cálculo de uma diferença mínima significativa (dms). Para estudar o efeito deste tipo de fator recomenda-se realizar uma análise de regressão.. serve para verificar se existe alguma diferença significativa entre as médias dos níveis de um fator a um determinado nível de significância. Neste caso. implica que existe pelo menos um contraste entre médias estatisticamente diferente de zero. para podermos por conseqüência identificarmos qual(is) é(são) o(s) nível(is) do fator em estudo que apresentou(ram) maior(es) média(s). níveis de insumo.. Por outro lado se o teste F for significativo. todos os possíveis contrastes entre médias de tratamentos são estatísticamente nulos. pH.. conforme visto no capítulo anterior. visam identificar qual(is) é(são) esse(s) contraste(s). proceder às comparações entre as médias dos níveis do fator usando algum dos procedimentos para comparações múltiplas descritos neste capítulo. não é necessário a aplicação de nenhum procedimento de comparações múltiplas.1. Os procedimentos de comparações múltiplas a serem vistos neste capítulo. Introdução O fator ou fatores em avaliação em um experimento podem ser classificados como qualitativo ou quantitativo. Como exemplos têm-se variedades. umidade. para um contraste entre duas médias. etc. se for conveniente. ou seja a hipótese de nulidade for rejeitada. métodos de conduzir uma determinada tarefa. ou seja. A análise de variância. concentração de um princípio ativo.Cap 5 – Comparações Múltiplas ____________________________________________________________________ 5. Como exemplos tem-se temperatura. Por outro lado. 45 . um fator qualitativo é aquele onde os níveis diferem por algum atributo qualitativo. etc . a hipótese de nulidade (Ho: m1 = m2 = .. tipos de defensivos. Se o teste F para a fonte de variação que representa o fator em estudo for não-significativa. = mI) não for rejeitada. a dms representa qual é o menor valor que tem que ser detectado entre as suas estimativas para que se possa concluir que os dois tratamentos produzam efeitos significativamente diferentes. assunto que será abordado no Capítulo 10.

Se por outro lado. pois cada um se baseia numa distribuição de probabilidades específica.m. q = q α (I. Se por exemplo. ou seja. ou seja. por exemplo. então ele deve usar um teste mais conservador.s. com maior dms. n 2 ) é o valor tabelado da amplitude total estudentizada. as quais foram obtidas a partir da realização de um experimento no delineamento inteiramente casualizado com J repetições. número de níveis do fator em estudo (I) e número de graus de liberdade do resíduo (n2) da análise de variância. nós podemos dizer que um teste é mais conservador (ou rigoroso) que o outros. pois ele tende a “conservar” a hipótese de igualdade entre médias como verdadeira. FV Fator Resíduo Total GL I-1 I(J-1) IJ . por experiência própria o pesquisador sabe que as diferenças entre os efeitos dos níveis do fator em teste são pequenas e ele deseja detectar estas pequenas diferenças. então ele deve usar um procedimento menos conservador. Este teste baseia-se na diferença mínima significativa (d. Este maior ou menor conservadorismo de um teste pode ajudar o pesquisador a escolher um procedimento de comparação múltipla. e que o número de graus de liberdade para o fator em estudo foi igual a n1 e para o resíduo foi igual a n2. A conclusão a respeito da significância do contraste pode variar de um procedimento para outro. que apresenta uma menor dms. Alguns Procedimentos Para Comparações Múltiplas Dentre vários procedimentos existentes para comparações múltiplas.) representada por ∆ e dada por: 1ˆ ˆ ∆=q VC 2 em que. Devido a esta possibilidade na diferença de conclusões a respeito da significância do contraste. 46 .1 SQ SQFator SQRes SQTotal QM QMTrat QMRes F significativo 5. Na estatística dizemos que um teste é mais conservador que o outro quando a dms dele é maior. pois o valor da dms varia de um teste para outro. em que I é o número de níveis do fator em estudo. que é obtido em () função do nível α de significância do teste. entre duas médias poderia ser testado por cada um dos procedimentos aqui apresentados. para os I(I−1)/2 contrastes do tipo C=mi – mu. Vamos ver a partir de agora cada procedimento com mais detalhe. Isto porque quanto maior a dms mais difícil se torna rejeitar a hipótese de nulidade. teste de Duncan. que estamos interessados em comparar as médias dos I níveis de um fator qualitativo.2. Teste de Tukey O teste de Tukey. Considere para tanto. para 1 ≤ i < u ≤ I. teste t de Student e teste de Scheffé. ele quer concluir que os níveis do fator têm efeitos diferentes somente quando a diferença nos seus efeitos for realmente grande. ou seja. ou seja. serão apresentados quatro: teste de Tukey. para o qual o teste F para fator foi significativo.EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ A princípio um determinado contraste. pode ser utilizado para comparar a totalidade dos contrastes entre duas médias.

O teste de Duncan necessita a prévia ordenação das médias. ri = ru = K. seguidas por uma mesma letra. Este teste baseia-se na amplitude total mínima significativa (D i ) dada por: Di = z i 1ˆ ˆ VC 2 () em que. ou seja. do resíduo da ANOVA (n2). caso contrário. em princípio. 3.a um nível de significância α. Como se trata de um processo seqüencial. indicar as médias iguais. dos níveis do fator em estudo. O teste de Tukey exige. o resultado obtido por este teste é apenas uma aproximação. n1 varia seu valor durante a aplicação do teste. para i ≠ u. n 2 ) é o valor tabelado da amplitude total estudentizada. cálculo do ∆ . concluir a respeito da significância dos I(I−1)/2 contrastes em teste. balanceamento. Considerações: 1. O teste de Tukey é válido para a totalidade dos contrastes de duas médias. ⎛1 1⎞ ˆ ˆ V C = QM Re s⎜ + ⎟ ⎜r r ⎟ u ⎠ ⎝ i No caso em que todos os tratamentos apresentaram o mesmo número de repetições. válido para a totalidade dos contrastes de duas médias do tipo C = mi – mu. é necessário: 1. não se rejeita H0 . 4. Mas. ˆ ˆ ˆ 2. número de médias ordenadas abrangidas pelo contraste entre os níveis do fator em estudo (i) e número de g. o valor de Di é simplificado com a seguinte expressão () D =z i i QM Re s K 47 .l. enunciar as hipóteses: H0: C = 0 vs Ha: C≠ 0. O teste de Tukey é exato para testar a maior diferença. que é obtido em função do nível α de probabilidade. ri = ru = K. usando a ˆ seguinte relação: se C ≥ ∆ . Teste de Duncan Tal como o teste de Tukey. com base nos valores amostrais. o valor de ∆ é simplificado com a seguinte expressão ∆=q QM Re s K Para a realização do teste Tukey. rejeita-se H0 . ou seja. nos demais casos é conservador. em que C = mi – mu. 2. C = m i − m u . no caso dos tratamentos apresentarem números de repetições diferentes. 3. obtenção das estimativas dos contrastes. o teste de Duncan é um procedimento seqüencial. z i = z α (n.Cap 5 – Comparações Múltiplas ____________________________________________________________________ ⎛1 1⎞ ˆ ˆ V C = QMRe s⎜ + ⎟ ⎜r r ⎟ u ⎠ ⎝ i () No caso em que todos os tratamentos apresentaram o mesmo número de repetições. Neste caso.

calculando-se a estatística t. 48 . + a ImI do qual obtemos a estimativa por meio do estimador ˆ ˆ ˆ ˆ C = a m + a m + .. 2. balanceamento. em que C = mi – mu. Entre I médias de um fator. entre as médias intermediárias. e estes contrastes devem ser ortogonais. 3. entre os níveis de um fator. não ser exato. Considerações: 1. as comparações a serem realizadas sejam escolhidas a priori.. em princípio. Mas. 2. no caso de serem diferentes os números de repetições este teste pode ainda ser usado. Consideremos um contraste de médias. Neste primeiro passo i= I. Teste t de Student O teste t pode ser utilizado para testar contrastes envolvendo duas ou mais médias. O teste Duncan é um procedimento seqüencial válido para a totalidade dos contrastes de duas médias. concluir a respeito da significância do contraste em teste. enunciar as hipóteses: H0: C = 0 vs Ha: C≠ 0.EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ Para a realização do teste Duncan a um nível de significância α é necessário: 1. podem-se testar no máximo. podem ser obtidos I – 1 contrastes ortogonais. Calcula-se o novo valor de D i e. 5. ordenar as médias do fator em estudo em ordem crescente ou decrescente. 2. o fato das médias ordenadas não serem independentes e o valor de zi em conseqüência. para i ≠ u. reduzir de uma unidade o valor de n1. ou seja. obter o valor da estimativa do contraste entre a maior e a menor média. 4. o teste de Duncan exige. Porém este teste exige que: 1. dada por. 3. com base no número de médias ordenadas abrangidas pelo contraste.. para todos os pares de médias que não estejam ligadas por um mesmo traço e que envolvem n1 médias. Este teste tem como inconveniente. com base nos valores amostrais. + a m . Quando a maior média não diferir significativamente da menor. Proceder ao item 3 e seguintes até que i = 2. não se admitirá diferença significativa. usando o seguinte critério: a) Se o valor de D i for maior do que o módulo da estimativa do contraste. 6.. além de ser um teste trabalhoso. A ortogonalidade entre os contrastes indica independência linear na comparação estabelecida por um contraste com a comparação estabelecida pelos outros contrastes. b) Caso contrário. 1 1 2 2 I I que pode ser testada pelo teste t. indicando que não há diferença entre elas. calcular o valor de Di . mas então é apenas aproximado. repetir o procedimento que consta no item 3 e nos seguintes. tantos contrastes quantos são os graus de liberdade para tratamentos. Tal como o teste de Tukey. antes de serem examinados os dados. em sua forma geral: C = a1m1 + a 2m 2 + . não rejeita-se H 0 e as médias são ligadas por um traço.

então a fórmula para a aplicação do teste t é ˆ C−C t= QM Re s I 2 ∑ ai K i=1 Quando aplicamos o teste t a um contraste. o que acarretaria certa dependência entre as médias. e número de graus de liberdade do resíduo.. 2. sendo n2 o número de graus de liberdade do resíduo e QMResíduo o quadrado médio residual da análise de variância. geralmente o interesse é testar as hipóteses: H0: C = 0 vs Ha: C ≠ 0. obtido em função do nível α de probabilidade. nenhum contraste poderá ser significativo pelo teste de Scheffé. Teste de Scheffé Este teste pode ser aplicado para testar todo e qualquer contraste entre médias. O valor tabelado de t é obtido por ttab=t α (n2). e sua utilização não se justifica.Cap 5 – Comparações Múltiplas ____________________________________________________________________ t= ˆ C−C = ˆ ˆ V ( C) ˆ C−C a i2 QMRe s∑ i=1 ri I que tem distribuição t de Student com n2 graus de liberdade. A estatística do teste. O nível de significância α é válido para um único contraste. A regra de decisão. porém não exige que os contrastes a serem testados sejam ortogonais e nem que estes contrastes sejam estabelecidos antes de se examinar os dados. É freqüentemente utilizado para testar contrastes que envolvam grupos de médias.=rI=K. Caso contrário não se rejeita H 0 . pois. I = é o número de níveis do fator em estudo. I a2 ˆ ˆ V(C) = QMRe s∑ i i =1 ri 49 . é calculada por: ˆ ˆ S = (I − 1)F V(C) tab em que. Caso o número de repetições seja o mesmo para todos os tratamentos. C.. neste caso. É um teste mais conservador que o teste t. Considerações: 1.n2) é o valor tabelado de F. mesmo quando sugerido pelos dados. é a seguinte: Se |t| ≥ ttab ⇒ rejeita-se H 0 . O nível de significância α é válido somente se o contraste for estabelecido a priori e não sugerido pelos dados. denotada por S. ou seja n2. e não para uma série deles. Se o valor de F obtido não for significativo. ou seja r1=r2=. ou seja I-1. Ftab = Fα(I-1. pode ficar caracterizado uma estatística de ordem ao querer comparar a maior com a menor média. número de graus de liberdade do fator em estudo.

O inverso ocorre com o teste t e Duncan. 5. Este teste é útil quando se deseja informações preliminares a respeito das diferenças entre os efeitos dos níveis de um fator. O teste de Scheffé é válido para a totalidade dos contrastes. ou seja. Para a comparação de um número grande de médias. tornam-se extremamente rigorosos. conclua pelo teste Duncan e Tukey (α = 5 %) .2 ˆ m 3 = 380 D 4 = 28. O procedimento de Scheffé é ainda mais rigoroso que o Tukey para comparar pares de médias.. não há um procedimento ideal. no sentido de declarar pequenas diferenças como significativas. pois o nível de significância conjunto para a maioria dos contrastes é muito menor do que o estabelecido. Duncan e t.EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ Caso o número de repetições seja o mesmo para todos os tratamentos. 5. r1=r2=. ˆ m 1 = 370 D 6 = 31 ˆ m 2 = 338 D 5 = 30.2. Vantagens e Desvantagens dos Procedimentos Para Comparações Múltiplas O teste t não é recomendado para testar todas as possíveis comparações entre médias de um experimento. quando na verdade estes contrastes são não-significativos. o nível de significância conjunto para um grande número de comparações é elevado. Neste acaso o erro tipo I tende a ocorrer mais frequentemente do que o estabelecido pelo nível de significância do teste. indicando que os grupos de médias confrontados no contraste diferem entre si a esse nível de probabilidade.. Aplique os testes Tukey e Duncan.7 ˆ m 4 = 320 D 3 = 26 ˆ m 5 = 325 D 2 = 24. O teste de Tukey é bastante rigoroso no sentido de apontar diferenças significativas.1.6 ˆ m 6 = 367 ∆ = 33 50 . ou seja. ou para testar um número pequeno deles. calcular a estimativa do contraste C. 5. o teste de Scheffé é bastante rigoroso. O procedimento de Duncan também é sensitivo. Para testar um único contraste.3. dizemos que o contraste é significativamente diferente de zero ao nível α de probabilidade. Considerações: 1. pois este teste aponta pequenas diferenças como significativas. Para estes dois testes. ˆ ˆ ˆ ˆ C = a1m1 + a 2m 2 + .. Para os dados fornecidos a seguir. + a ImI ˆ Se verificarmos que | C | ≥ S.. 2.=rI=K. estes testes podem apontar como significativos contrastes. Quando são utilizados para esta finalidade.4. então a fórmula para a aplicação do teste Schheffé é S = (I − 1)Ftab QM Re s I 2 ∑ ai K i=1 Deve-se então. Exercícios 5. aos exemplos dados ao final da apostila do Capítulo de Delineamento Inteiramente Casualizado. Testes como Tukey ou Scheffé.

Foram obtidos os seguintes resultados parciais: Tratamentos Totais FV Tratamento Resíduo Total 1 37. entre 5 marcas de carro de mesma categoria. Qual(is) é(são) a(s) marca(s) mais rápida(s) para ir de 0-100 km/h.8 F Complete o quadro da ANOVA e. (Use o teste de Tukey.Cap 5 – Comparações Múltiplas ____________________________________________________________________ 5.80 T3 = 442.6 SQTratamen to = 331.8 SQ 26.76 33. Suponha também que este experimento tinha como objetivos verificar se existe diferença no tempo médio para ir de 0-100 km/h entre: 1) os carros de custo alto e os demais carros.6 QM 4 32. responda qual(is) o(s) melhor(es) tipo(s) de aleitamento.52 T5 = 439. e 4) os carros de 51 . 3) os carros de custo médio.4964 r=4 5. 4 carros de cada marca foram escolhidos inteiramente ao acaso da linha de produção de cada marca e avaliados em uma pista de provas apropriada.56 T4 = 469.48 T6 = 461.8677 SQTotal = 783.Concluir para α = 5% de probabilidade. considerando-se α = 1%. se necessário) 5.82 3 31. Suponha que em termos de custo final ao consumidor pode-se classificar os carros produzidos pela marca 1 como de custo alto. os produzidos pelas marcas 2 e 3 de custo médio e aqueles produzidos pelas marcas 4 e 5 como de custo alto.3. pelo teste de Duncan? c.2 GL 2 44.5. Aplicar o teste de Duncan às comparações múltiplas obtidas com as médias dos tratamentos instalados em um experimento segundo o Delineamento Inteiramente Casualizado (DIC). no tempo médio gasto para ir de 0100 km/h. em segundos. Um experimento para avaliar a influência de 4 tipos de aleitamento no ganho de peso de leitões foi conduzido utilizando-se o delineamento inteiramente casualizado com 4 repetições. Com o objetivo de verificar se existe diferença.16 T2 = 481. foram: Marcas 3 8 7 8 6 1 12 11 11 13 2 12 10 10 11 4 12 12 10 11 5 13 14 15 13 Usando o nível de 5% de probabilidade a.4. pelo teste de Tukey? d. Existe de diferença significativa entre as marcas de carro quanto ao tempo médio gasto para ir de 0-100 km/h? b. 2) entre os carros de custo médio e os de custo alto. T1 = 452. Os resultados obtidos. Qual(is) é(são) a(s) marca(s) mais lenta(s) para ir de 0-100 km/h.

44 T2 = 729. de cada padaria e para cada um deles foi avaliado o teor de bromato de potássio (mg de bromato de potássio/1kg de pão).44 T6 = 612.6790 T1 = 813. Pode-se concluir que existe diferença significativa no teor médio de bromato de potássio no pão entre as padarias avaliadas? b. de pães avaliados SQResíduo = 52 Usando o nível de 5% de probabilidade a. SQResíduo = 905.6. por meio de um contraste.52 T3 = 786. a padaria 3 a classe B e a 4 a classe C. inteiramente ao acaso. Suponha que as padarias 1 e 2 suprem a classe social A.50 1 10 7 2 11 8 3 8 7 4 9 8 52 . O resumo da avaliação é fornecido a seguir: Padaria Teor médio Núm. Quatro padarias da cidade de São Paulo. Utilize os testes de Scheffé e de t para verificar se estas comparações são significativas. aplicar o teste de Duncan e o teste de Tukey para se concluir qual(is) tratamento(s) apresentou(aram) maior(es) média(s) ao nível de 5% de probabilidade.7.52 T5 = 755. Verifique. pelo teste de Scheffé e pelo teste t. foram fiscalizadas para verificar a quantidade de bromato de potássio existente nos pães franceses que elas produzem. 5. Com os dados fornecidos a seguir oriundos de um experimento instalado no DIC com 4 repetições.32 T4 = 661.EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ custo baixo. para o qual o teste F da ANOVA para tratamentos foi significativo. Com esta finalidade foi tomada uma amostra de pães. se existe diferença no teor médio de bromato de potássio entre as padarias que suprem as classes A e C. 5.

O passo seguinte seria o uso de um procedimento de comparações múltiplas para identificar quais níveis dos fatores proporcionam efeitos significativamente diferentes entre si do ponto de vista estatístico. todos os procedimentos de comparação múltipla tem como base para o cálculo do valor da diferença mínima significativa a estimativa da variabilidade associada ao efeito do erro experimental. Vale lembrar que no delineamento inteiramente casualizado (DIC). Se o teste F for não-significativo. Tal como o teste F. concluímos que existe diferença significativa nos efeitos dos niveis do fator. é necessário que o pesquisador controle o efeito deste fator pertubador. o efeito do fator perturbador é controlado sendo portanto possível quantificar o seu efeito e eliminar tal efeito na análise estatística dos dados experimentais. Caso o pesquisador não controle o efeito do fator perturbador por meio da formação de blocos de unidades experimentais homogêneas e controle na casualização. ou seja. a qual é conhecida como Quadrado Médio do Resíduo (QMRes).Cap 6 – Delineamento em Blocos Casualizados _____________________________________________________________________ 6. Em experimentos instalados segundo o DBC. sofre a restrição de ser feita dentro de cada bloco. blocos de unidades experimentais homogêneas e fazendo com que todos os níveis do fator em estudo sejam avaliados em cada nível do fator pertubador. não existe nenhuma restrição na casualização. as unidades experimentais sejam e estejam durante todo o experimento em condições ambientais completamente homogêneas. Delineamento em Blocos Casualizados 6. Inicialmente isto é realizado mediante o teste F para o fator. se o teste F for significativo. Por outro lado. Introdução O principal objetivo do planejamento e execução de um experimento é apontar diferenças significativas entre os efeitos os níveis de um fator em avaliação. Portanto o DBC faz uso dos três princípios básicos da experimentação: repetição. O delineamento inteiramente casualizado pressupõe para ser utilizado que. uma vez que os níveis do fator em estudo são distribuídos inteiramente ao acaso em relação a todas unidades experimentais. O controle do efeito do fator pertubador é feito pela formação de grupos. casualização e controle na casualização. concluímos que os efeitos são estatisticamente iguais e nada mais precisa ser feito. o efeito do fator pertubador é absorvido pelo erro experimental. ou seja. Se um pesquisador instala o seu experimento segundo o DBC. espera-se que as condições experimentais de um bloco sejam diferentes das condições experimentais do outro bloco e que haja homogeneidade das condições experimentais dentro de cada bloco. para o pesquisador conseguir atingir o seu objetivo. Sendo assim fica fácil entender que.1. Um exemplo seria a situação em que um pesquisador deseja comparar o efeito de analgésicos em cobaias. o que 53 . Caso o pesquisador perceba que algum fator perturbe a homogeneidade das unidades experimentais ou nas condições ambientais que as mesmas vão estar sujeitas durante o experimento. No delineamento em blocos casualizados (DBC). No entanto as cobaias não são de mesma idade. ele deve controlar o efeito do fator pertubador idade. ele deve planejar e executar o seu experimento de tal forma que a influência do erro experimental seja a menor possível. a distribuição ao acaso dos níveis do fator em estudo às unidades experimentais. apontar diferenças significativas entre os efeitos de níveis do fator. Entenda-se aqui fator pertubador como uma fonte de variação indesejável entre as unidades experimentais ou nas condições ambientais. Tal absorção tende a provocar um aumento no valor do QMRes. em cada bloco de unidades homogêneas. Se o pesquisador achar que a idade da cobaia pode influenciar na avaliação dos analgésicos.

EST 220 – Estatística Experimental – I/2008 _____________________________________________________________________ pode acarretar em não identificar nenhuma diferença nos efeitos dos tratamentos.3.. Conseqüente o F tabelado é maior.. são perdidos (J-1) graus de liberdade para o resíduo.. ˆ média geral do experimento: m = G . J ˆ média para o bloco j: m j = Bj I ... considere um experimento instalado no DBC com I tratamentos e J repetições (blocos). No DBC o no de graus de liberdade para o resíduo é menor. pois quando se instala um experimento no DBC com J blocos.2... a instalação de um experimento no DBC quando o mesmo não é necessário..... . J Totais 1 Y11 Y12 . Total geral: G = i =1. 6.. quando de fato uma ou mais diferenças possam existir. j =1 ∑Y I.. T2 Blocos 1 2 . Y21 .. .... Yij é o valor observado para a variável em estudo referente ao tratamento i no bloco j. YIJ TI Totais B1 B2 . pode implicar na perda de eficiência do experimento. Modelo Estatístico Para o DBC o modelo estatístico é: Yij = m + t i + b j + e ij em que.. Y22 .. No entanto..J ij = ∑ Ti = ∑ B j = Y• • . j =1 J Total para o bloco j: B j = ∑ Yij = Y• j . i =1 j =1 I J Total para o tratamento i: Ti = ∑ Yij = Yi• . num quadro do tipo a seguir: Tratamentos 2 . Y2 J . BJ G Deste quadro pode-se retirar algumas informações de interesse: nº de unidades experimentais: N = I x J. Portanto maior deverá ser a diferença entre os efeitos dos níveis do fator para que tais diferenças atinjam significância estatística. Quadro de tabulação dos dados A título de exemplo. IJ 6. A coleta de dados da pesquisa pode ser resumida.. . Y1J T1 I YI1 YI2 . quando na verdade o DIC seria suficiente. i =1 I ˆ média para o tratamento i: m i = Ti .. 54 .

j=1 i=1. deve-se decompor a variação total que existe entre todas as observações nas partes que a compõe. m j e e ij por seus estimadores tem-se: ˆ ˆ ˆ ˆ ˆ ˆ Yij − m = (m i − m) + (m j − m) + e ij . a decomposição é feita da seguinte forma: SQTotal = SQTratamentos + SQBlocos + SQResíduo conforme é demonstrado a seguir. j =1 ∑ duplos produtos = 0 . essas fórmulas são muito trabalhosas para se obter tais valores.J ] 2 . fórmulas mais práticas para se obter as somas de quadrados.J I. j=1 Ou seja: SQTotal = SQTratamentos + SQBlocos + SQResíduo + I.J i=1. Por meio das fórmulas obtidas no desenvolvimento anterior.J i ˆ ˆ ˆ ˆ − m) + (m j − m) + e ij I. São fornecidas a seguir. Considere o modelo estatístico para um experimento instalado segundo o DBC: Yij = m + t i + b j + e ij fazendo t i = m i − m e b j = m j − m .Cap 6 – Delineamento em Blocos Casualizados _____________________________________________________________________ m média de todas as unidades experimentais para a variável em estudo. elevando ambos os membros ao quadrado ˆ ˆ ˆ ˆ ˆ ˆ (Yij − m)2 = (mi − m) + (m j − m) + e ij 2 . j=1 ∑ (Y I. t i é o efeito do particular tratamento i no valor observado Yij : t i = mi − m b j é o efeito do bloco j no valor observado Yij : bj = mj − m e ij é o erro associado a observação Yij : e ij = Yij + m − m i − m j 6. Neste tipo de delineamento. j=1 ∑ duplos produtos I. j =1 ˆ ∑ [(m I. j=1 ∑ (Y I. Análise de Variância Para realizar a análise dos dados obtidos de um experimento instalado segundo o DBC. pode-se obter os valores para as respectivas somas de quadrados.4.J ij ˆ 2 − m) = I. No entanto.J i=1. tem-se: Yij − m = (m i − m) + (m j − m) + e ij .J ij ˆ − m) = 2 i=1.J i =1. i=1. j=1 ˆ ˆ 2 ˆ ˆ 2 ˆ 2 ∑ (mi − m) + ∑ (m j − m) + ∑ e ij + ∑ duplos produtos I. substituindo m m i . 55 . j=1 i=1.J pode-se verificar que: i =1. [ ] aplicando somatório i=1.

ao nível de probabilidade que foi executado o teste.. j =1 ⎟ ⎠ −⎝ SQTratamen tos = ∑ IJ i =1 J ⎛ I. 56 . obtidas no desenvolvimento anterior. j =1 ⎠ − IJ 2 SQTotal = i =1. o pesquisador utilizou os blocos para controlar uma causa de variação conhecida. Nos casos em que a variação entre blocos é duvidosa..J ⎞ ⎜ ∑ Yij ⎟ 2 ⎜ ⎟ J B j ⎝ i =1. o que equivale a dizer que todos os possíveis contrastes entre médias de tratamentos.J ⎞ ⎜ ∑ Yij ⎟ ⎜ ⎟ ⎝ i =1.1 SQ SQBlocos SQTratamentos SQResíduo SQTotal QM SQTrat I−1 SQ Re s F QMTrat QM Re s (I − 1)(J − 1) - - Geralmente. a estatisticamente diferente de zero.SQBlocos Estas fórmulas práticas são deduzidas a partir das somas de quadrados.J Yij 2 ⎛ I. O quadro da ANOVA para a análise de um experimento instalado segundo o DBC é do seguinte tipo: FV Blocos Tratamentos Resíduo Total GL (J-1) (I-1) (I-1)(J-1) IJ . ao nível de probabilidade que foi realizado o teste. são estatisticamente nulos. j =1 ⎠ − SQBlo cos = ∑ IJ j =1 I 2 2 SQResíduo = SQTotal . H a : n~o H 0 .SQTratamentos . j =1 ∑ I. o que pode ser verificado por meio do teste F para tratamentos. mediante o desenvolvimento do quadrado do binômio. pois ao instalar o experimento no DBC. As deduções são semelhantes àquelas apresentadas no capítulo de Delineamento Inteiramente Casualizado. é avaliar se existe diferença entre os tratamentos. o pesquisador pode realizar o teste F para blocos. o que equivale a dizer que existe pelo menos um contraste entre médias. geralmente é desnecessária. aplicação dos somatórios a todos os termos e substituição de cada uma das médias pelo quociente do total pelo nº de observações que origina cada total. comparação entre blocos. O teste F para blocos.J ⎞ ⎜ ∑ Yij ⎟ I Ti2 ⎜ i =1. ou seja.= m I = m . o que interessa na análise de um experimento. As hipóteses para o teste F da análise de variância para tratamentos são as seguintes: H 0 : m1 = m 2 =. para servir como orientação para a instalação de futuros experimentos.EST 220 – Estatística Experimental – I/2008 _____________________________________________________________________ ⎛ I.

Os dados abaixo. O experimento se iniciou logo após as ovelhas terem sido submetidas a uma tosquia e se encerrou quando já era o momento de se realizar uma nova tosquia da qual foram obtidos os seguintes resultados. 6.2. se referem a um experimento instalado segundo o DBC. Exercícios 6.1. Dentro de cada grupo foi realizado um sorteio para distribuir ao acaso. b) Existe diferença entre os tipos de alimentação fornecidos às ovelhas com relação a produção de lã? c) Com base no teste Tukey. por meio de uma alimentação mais apropriada um criador separou 28 ovelhas de sua criação. dividiu-as em 7 grupos.5. qual(is) seria(m) o(s) tipo(s) de alimentação a ser(em) recomendada(s) às ovelhas? 57 . Como as ovelhas eram de idades diferentes. sendo que dentro de cada um destes grupos havia 4 ovelhas de mesma idade e homogeneidade para as demais características. 5 produtos comerciais para suprir deficiência de micronutriente em caprinos. pede-se ( α = 1% ): a) Qual o tipo de delineamento experimental que o criador utilizou? Justifique sua resposta. usando o nível de 5% de probabilidade. foram fornecidos aos animais os quais foram separados em 3 grupos segundo a idade. foram os seguintes: Produtos comerciais 2 3 4 86 103 116 69 79 81 61 79 79 216 261 276 Bloco 1 2 3 Totais 1 83 63 55 201 5 132 98 91 321 Totais 520 390 365 1275 Pede-se proceder a ANOVA e aplicar o teste Tukey e Duncan. os 4 Tipos de Alimentação (TA) às ovelhas do grupo. Com a finalidade de aumentar a produção de lã de suas ovelhas. expressos em ppm de micronutriente/ml de sangue. Os resultados obtidos.Cap 6 – Delineamento em Blocos Casualizados _____________________________________________________________________ 6. em que os tratamentos. expressos em unidade de medida de lã por animal: grupos 3 4 5 33 34 29 34 31 33 46 47 48 21 19 20 134 131 130 TA 1 2 3 4 Totais 1 30 29 43 23 125 2 32 31 47 25 135 6 30 33 44 21 128 7 33 29 47 22 131 Totais 221 220 322 151 914 Com base nas informações anteriores.

28 140.74 2 144.0 T4 = 24. ele subdividiu a área total em 3 sub-áreas de tal forma que dentro de cada uma delas existia uniformidade com relação à declividade.88 130. Após isto.5. é fornecido a seguir: FV Blocos Tratamentos Resíduo Total Totais de Tratamentos: T1 = 12. qual(is) o(s) tipo(s) de Levedura que apresentou(aram) maior produção? c)Pelo teste Duncan. qual(is) o(s) tipo(s) de Levedura que apresentou(aram) menor produção? 6.06 135.42 4 138.3.22 700.77 134. dos tipos de pneus às unidades experimentais.21 552.10 554.46 3 145.44 136. 58 GL 3 QM --4. para trabalhar em terrenos encharcados.97 560.97 151. obteve-se os seguintes resultados de consumo expressos em litros/hora trabalhada.88 153.19 144. Um Engenheiro-Agrícola. com o objetivo de verificar qual tipo de pneu que proporciona menor consumo de combustível.895 F --- . Com a realização da pesquisa. dentro de cada sub-área realizou um sorteio ao acaso.83 165.36 139.36 150.EST 220 – Estatística Experimental – I/2008 _____________________________________________________________________ 6.18 Total 571.4. O resumo da Análise de Variância de um experimento instalado segundo o Delineamento em Blocos Casualizados.02 717.07 136.04 620.11 136. Como a área que dispunha para realizar o experimento era heterogênea com relação à declividade.0 T5 = 45. pede-se: a)Existe diferença entre os 5 tipos de Levedura. para verificar se existe diferença entre 5 tipos de Levedura na produção de cerveja.61 144.2 T3 = 22.0 T2 = 25.73 150.78 137. testou 4 diferentes tipos de pneus.49 726.48 2858.75 714.6 Ao nível de 5% de probabilidade. Um experimento no DBC com 4 repetições forneceu os dados abaixo: Blocos Tratamento 1 2 3 4 5 Total 1 142.80 Para o nível de 5% de significância. pede-se: a) ANOVA b) Teste Tukey c) Teste Duncan d) Aplicar o teste Scheffé ao contraste C = m 1 + m 2 − 2m 5 e) Aplicar o teste t aos contrastes C1 = m1 + m 2 − 2m 4 C 2 = m 2 + m 3 − m1 − m 4 C 3 = m1 − m 2 6. na produção de cerveja? b)Pelo teste Tukey.

6. a)Quais foram os Princípios Básicos da Experimentação utilizados neste experimento? Justifique sua resposta. Proceda a aplicação do teste Scheffé de maneira adequada conforme visto em sala de aula. c)Em termos do consumo.A. Água Boa S. conclua com relação aos tipos de pneus. se necessário. d)Obtenha um grupo de contrastes ortogonais a partir apenas de C3. quando necessário). para o qual o F da Análise de Variância para tratamentos foi significativo. produzidos por duas fábricas diferentes. Suponha que alguém solicite sua ajuda. d)Qual tipo de pneu que proporciona o pior consumo? Use o teste Duncan. Um pesquisador foi encarregado de verificar se havia diferença de durabilidade entre 4 tipos de microaspersores presentes no mercado. após uma análise parcial dos mesmos: 59 . b)Qual foi o tipo de delineamento experimental utilizado pelo Engenheiro-Agrícola? Justifique sua resposta.6. Proceda a aplicação do teste t de maneira adequada conforme visto em sala de aula.A. 6.7. considere os seguintes dados. Água Ardente Ltda.A. instalado segundo o DBC com 4 repetições. c)Admita que ele deseja aplicar o teste t em C2 e C3. pede-se (use o nível de 5% de significância. Para tanto você recebe as seguintes informações: Tratamentos 1 2 3 Totais 400 440 360 SQResíduo=360 α = 5% C 1 = 3m 1 − 2m 2 − 2m 3 C 2 = m 1 − 2m 2 + m 3 C 3 = m 1 − m 2 a)Obtenha a V(C2) b)Admita que ele deseja aplicar o teste de Scheffé em C1 e C2. conforme quadro abaixo: Tratamentos 1 2 3 4 Microaspersor Tipo A Tipo B Tipo C Tipo Único Fabricado por Água Boa S.Cap 6 – Delineamento em Blocos Casualizados _____________________________________________________________________ Pneu Sub-áreas 1 2 3 Tipo 1 30 29 25 Tipo 2 32 30 26 Tipo 3 33 31 30 Tipo 4 35 33 31 Por meio das informações fornecidas acima. por meio de uma análise de variância. na aplicação de testes de médias aos dados de um experimento. bem como o tipo de informação usado na avaliação. Desconsiderando como o experimento foi conduzido. Água Boa S. usando o método do sistema de equações lineares.

Um melhorista de plantas instalou um experimento visando selecionar as melhores progênies para dar continuidade ao seu programa de melhoramento. Na época da colheita ele avaliou a produção de grãos por planta (kg/planta). Tratamentos Bloco Resíduo Total G. 1760. considerando os dados do delineamento em blocos casualizados (DBC). Após esta divisão. com o apresentado pelo microaspersor da fábrica Água Ardente Ltda. as produções. Então dividiu a área em 4 sub-áreas de tal forma que cada uma fosse completamente homogênea e pudesse conter todas as progênies em teste.EST 220 – Estatística Experimental – I/2008 _____________________________________________________________________ F. em toneladas por hectare. Em um experimento com 5 variedades de batatinhas (A.70 6.A. j 2 ij = 32. Obtenha o quadro da Análise de Variância. cujos resultados foram: 60 . b)Que hipótese estaríamos testando pela ANOVA? Qual a sua conclusão no presente caso? c)Para responder qual é o melhor microaspersor.V.92 ∑Y i. Na instalação do experimento. D e E). d)Faça um teste (à sua escolha) para saber se há diferença entre os resultados médios apresentados pelos microaspersores da fábrica Água Boa S.2 ∑B j =1 4 2 j = 159.00 ---50. fornecidos a seguir: T1 = 130.4 T3 = 152. C.306.M.00 F 35. ele verificou que a área a ser utilizada não era completamente homogênea. 6. proceda ao teste de média se necessário e conclua para α = 1% . foram: Variedades B C D 21 22 15 27 29 11 26 24 10 25 25 12 Blocos 1 2 3 4 A 9 13 11 9 E 12 18 18 17 Para o nível de significância igual a 5%.8. 3 4 12 19 Q.L. B. pede-se: a) O quadro da ANOVA b) Aplicar o teste de Duncan c) Teste t para o contraste : C = m A + m B − 2m D 6. as progênies foram distribuídas ao acaso dentro de cada sub-área.6 T4 = 185. em blocos casualizados.2 Médias dos Tratos ˆ m1 = 36 ˆ m2 = 40 ˆ m3 = 60 ˆ m 4 = 40 Com base nas informações acima pede-se: (use α=5%) a)Cada tratamento foi repetido quantas vezes? Justifique sua resposta.6 T5 = 143.6 T2 = 183.889.10. o que deveríamos fazer? Apenas comente rapidamente.9.

4 12.5780) 6. a nutricionista resolveu que cada um dos dois tipos de dieta fosse testado em cada uma das faixas de idade. 2 à faixa adulta e 2 à faixa idosa.7 13. Desejando verificar qual tipo de dieta proporciona maior perda de peso.4 3.5 2.8 2. Faça a ANOVA e aplique o teste de Duncan. No entanto. Uma nutricionista formulou dois novos tipos de dieta (A e B) para diminuir o peso de pessoas obesas. 2 à faixa adolescente.10.0 2.7 10. solicitou que aqueles que estivessem interessados em participar deste teste se apresentassem como voluntários.2.10.8 14.3 2 2.6 2.3 4 3. Qual(is) foi(ram) o(s) princípio(s) básico(s) da experimentação utilizado(s)? a) repetição e casualização b) repetição e controle local c) casualização e controle local 61 .Qual foi a unidade experimental utilizada? a) cada faixa de idade b) cada dieta c) cada indivíduo d) todos os indivíduos e) os dois tipos de dieta f) nenhuma das alternativas anteriores 6. 6. fez a distribuição dos tipos de dieta ao acaso dentro de cada subgrupo.6 2. As perdas de peso (em Kg) obtidas por cada um dos oito indivíduos são fornecidas a seguir: Faixa de Idade Adolescente 7 13 20 Dieta A B Totais Infantil 3 7 10 Adulta 14 22 36 Idosa 8 14 22 Totais 32 56 88 Dado: SQResíduo = 4.11. se necessário. Para tanto. Verificar se existe diferença entre as progênies com relação à produção.1 2.3 11.8 14.2.11.7 2. a nutricionista verificou que naquele grupo de indivíduos havia diferentes faixas de idade.7 2.11.2 Com base nestas informações. Com receio de que a diferença de idade dos indivíduos pudesse diminuir a precisão do seu experimento. Após isso. Com esta finalidade.8 3.1. dividiu o grupo de 8 indivíduos em subgrupos de tal forma que cada subgrupo incluísse indivíduos de mesma faixa de idade.3 2. concluindo corretamente.Cap 6 – Delineamento em Blocos Casualizados _____________________________________________________________________ Sub-áreas Progênie 1 2 3 4 5 Totais 1 2.00 Com base nas informações fornecidas pede-se: 6.2 3.9 2.2 Totais 11.4 3 2.5 14.5 3. pede: (utilize α = 5% quando necessário) 6.8 56.5 2. resolveu fazer um teste com os seus pacientes.1.0 10. sendo 2 indivíduos pertencentes à faixa infantil. (Dado: SQTotal = 1. Um grupo de 8 indivíduos apresentou-se para trabalhar com o nutricionista.8 2. Qual delineamento experimental foi utilizado? Justifique a sua resposta.

a) qualquer uma das dietas b) todas as dietas c) nenhuma das dietas d) a dieta B e) a dieta A f) nenhuma das alternativas anteriores 6. Conclua a respeito dos efeitos de tratamentos. De acordo com o teste F da análise de variância para a fonte de variação dieta. obtendo-se as seguintes médias de tratamentos: 62 .11. pode-se concluir ao nível de 5% de probabilidade que: a) não existe diferença entre os tipos de dieta b) o valor de F é menor que um e não é possível concluir c) a dieta B possui a maior média d) nenhuma das alternativas anteriores 6. Caso contrário.2. Um experimento instalado segundo o Delineamento em Blocos Casualizados produziu os seguintes resultados: Tratamentos Totais Blocos Totais Dados: 1 125 2 135 1 221 3 134 2 220 4 131 3 322 5 130 4 151 6 128 7 131 SQTotal = 2214. justifique a sua resposta. Se são desejados tratamentos que propiciam menores médias. casualização e controle local nenhuma das alternativas anteriores 6.1.EST 220 – Estatística Experimental – I/2008 _____________________________________________________________________ d) e) f) g) h) i) controle local repetição casualização controle local repetição.12. se necessário. Quatro pesquisadores realizaram um experimento com 4 tratamentos (A. qual(is) tratamento(s) deve(m) ser recomendado(s)? Utilize o teste de Tukey. se necessário.29 Com base nas informações fornecidas.11. 6.5 Qual o tipo de dieta deveria ser recomendado? Use o teste Duncan e o nível de 5% de probabilidade.12. pede-se (use o nível de significância de 1% quando necessário): 6. com base na análise de variância. 6.4.13.12.11.3 Qual foi o delineamento experimental utilizado? a) Delineamento em Quadrado Latino b) Delineamento Inteiramente Casualizado c) Delineamento em Blocos Casualizados d) Delineamento em Látice e) nenhuma das alternativas anteriores 6.43 SQTratamentos = 2125. B. C e D) e 5 repetições segundo um delineamento em blocos casualizados (DBC).

0 C 23.13. separadamente a cada um deles. os mesmos três contrastes ortogonais estabelecidos pelo pesquisador 1. conforme mostrado a seguir: O pesquisador 2 obteve uma conclusão diferente da encontrada pelo pesquisador 1. Com base na diferença das conclusões encontradas pelos pesquisadores 2 e 3 em função da utilização de testes diferentes.Cap 6 – Delineamento em Blocos Casualizados _____________________________________________________________________ Tratamentos Médias A 27. porém com o objetivo de aplicar. 2 e 3. a priori.34 e α = 5%. o teste de Scheffé.2. a priori. - Y2 = mB + mC – 2mD e Y3 = mB – mC O pesquisador 2 estabeleceu. separadamente a cada um deles. Os contrastes foram os seguintes: Y1 = 3mA – mB – mC – mD.O pesquisador 1 estabeleceu. 6. o teste de Tukey O pesquisador 4. Os procedimentos adotados por cada um dos quatro pesquisadores foram os seguintes: . os pesquisadores 1.4 Dados: QMRes = 1. F calculado = 28. apresentaram divergências com relação aos resultados das análises estatísticas para a característica estudada. a) O procedimento adotado pelo pesquisador 2 está correto e o procedimento adotado pelo pesquisador 3 está errado b) O procedimento adotado pelo pesquisador 3 está correto e o procedimento adotado pelo pesquisador 2 está errado c) Ambos os procedimentos adotados pelos pesquisadores 2 e 3 estão corretos 63 .82.13.8 B 26.1 Com base na diferença das conclusões encontradas pelos pesquisadores 1 e 2 em função da utilização de testes diferentes. o teste t O pesquisador 3 estabeleceu seis contrastes entre duas médias (Y3 = mB – mC Y4 = mA – mB. estabeleceu o seguinte contraste: Y9 = mA + mB – mC – mD. a) O procedimento adotado pelo pesquisador 1 está correto e o procedimento adotado pelo pesquisador 2 está errado b) O procedimento adotado pelo pesquisador 2 está correto e o procedimento adotado pelo pesquisador 1 está errado c) Ambos os procedimentos adotados pelos pesquisadores 1 e 2 estão corretos d) Ambos os procedimentos adotados pelos pesquisadores 1 e 2 estão errados. em relação ao contraste Y3 . GLRes = 12. utilizando um mesmo valor para o nível de significância. três contrastes ortogonais com o objetivo de aplicar. após observar os dados. com o objetivo de aplicar. marque a alternativa correta e justifique a sua resposta. - - No entanto. Y5 = mA – mC.8 D 31. Y7 = mB – mD e Y8 = mC – mD). Y6 = mA – mD. separadamente a cada um deles. marque a alternativa correta e justifique a sua resposta.O pesquisador 3 obteve uma conclusão diferente da encontrada pelo pesquisador 2 em relação ao contraste Y3 Pede-se: 6.

com 4 tratamentos e 3 repetições. Considere um experimento no delineamento em blocos casualizados.3.14. para o qual o teste F para a fonte de variação tratamentos foi significativo ao nível de 5% de probabilidade. aplique o teste de Scheffé ao contraste Y9. Se a sua resposta for negativa.3. médias 4 e 3 e médias 3 e 2 são estatisticamente iguais. que poderia(m) ser aplicado(s) a todos estes contrastes? Justifique a sua resposta. o seguinte resultado foi obtido para as comparações de médias de tratamentos ˆ m1 = 100 a ˆ m 4 = 92 ab ˆ m 3 = 88 bc ˆ m 2 = 79 c Pode-se observar que as médias 1 e 4. 64 . Aplique o teste de Tukey às médias de tratamentos com base no ∆ 2 = 20 . Deste modo.4. 6. com teste F significativo. Baseando-se nestas informações. pelo teste de Tukey. Suponha que para este experimento.1 Qual é a fórmula geral dos contrastes a serem testados pelo teste de Tukey? Qual é o número máximo de contrastes a serem testados pelo teste de Tukey? 6. ou seja ∆ = 10.14.2.14.5. Caso dois outros pesquisadores realizassem o mesmo experimento e obtivessem. Se o interesse fosse testar os quatro contrastes: Y1 = m1 − m 2 Y2 = m 1 + m 2 − 2m 3 Y3 = m 1 + m 2 − 2m 4 Y4 = m 1 + m 2 − m 3 − m 4 Qual(is) o(s) teste(s) visto(s) em sala de aula. respectivamente ∆ 1 = 5 e ∆ 2 = 20 . considerando que o pesquisador 2 obteve as mesmas médias listadas no item b. pede-se: 6.EST 220 – Estatística Experimental – I/2008 _____________________________________________________________________ d) Ambos os procedimentos adotados pelos pesquisadores 2 e 3 estão errados 6. 6.14. pode-se concluir que as médias 1 e 2 são também estatisticamente iguais? Justifique a sua resposta.13. Usando-se este ∆ . a diferença mínima significativa de Tukey foi igual a 10. 6. 6.14. justifique a sua resposta. O procedimento adotado pelo pesquisador 4 foi correto? Se a sua resposta for afirmativa. qual dos dois pesquisadores obteve maior precisão experimental? Justifique a sua resposta.14.

B. programados em 5 dias úteis e. Uma vez formados os blocos. além dos princípios da repetição e da casualização. deve ser formado para cada fator perturbador I blocos e cada um destes blocos deve conter I unidades experimentais. Alguns exemplos ilustrativos Exemplo 1 . em 4 raças e 4 idades de animais. O croqui abaixo ilustra a configuração a ser adotada. uma vez em cada período e em cada dia. Introdução No Delineamento em Quadrado Latino (DQL).C.1. O quadrado latino assegura que todos os métodos sejam processados.EST 220 – Estatística Experimental – I/2008 _____________________________________________________________________ 7. O 65 . Cada uma destas I2 unidades experimentais é classificada segundo cada um dos dois fatores perturbadores. Delineamento em Quadrado Latino 7. é utilizado também duas vezes o princípio do controle na casualização para controlar o efeito de dois fatores perturbadores que causam variabilidade entre as unidades experimentais.Num experimento com suínos pretende-se testar 4 tipos de ração (A. toma-se a raça e a idade como blocos. Por exemplo. num período de 5 horas. em cada dia.Um experimento de competição de 6 variedades de cana-de-açúcar em que a área experimental apresenta gradiente de fertilidade do solo em duas direções. C. os níveis de um fator perturbador são identificados por linhas em uma tabela de dupla entrada e os níveis do outro fator perturbador são identificados por colunas na tabela. Ao final são necessários I2 unidades experimentais.Num laboratório devem ser comparados 5 métodos de análise (A. Para controlar esta variabilidade. Sendo interesse fundamental o comportamento dos 4 tipos de ração. Geralmente. ou seja: Raça Idade I1 I2 I3 R1 A B D R2 B C A R3 D A C R4 C D B I4 C D B A Exemplo 3 . Período 1 2 3 4 5 1 A C D E B 2 E B C D A Dia 3 C E A B D 4 D A B C E 5 B D E A C Note que os níveis de uma fonte formam as linhas e os níveis da outra fonte formam as colunas Exemplo 2 .D). distribui-se os tratamentos ao acaso com a restrição que cada tratamento seja designado uma única vez em cada um dos blocos dos dois fatores perturbadores. O número de blocos para cada fator perturbador deve ser igual ao número de tratamentos. se no experimento estão sendo avaliados I tratamentos. é necessário dividir as unidades experimentais em blocos homogêneos de unidades experimentais em relação a cada fator perturbador. B. é feita uma análise a cada hora. na configuração de um experimento instalado segundo o DQL. D e E).

somente quando se puder repetir o experimento em vários quadrados latinos.2. Casualização no delineamento em quadrado latino Consideremos 5 tratamentos: A.Cap 7 – Delineamento em Quadrado Latino _____________________________________________________________________ quadrado latino possibilita a formação de blocos nas duas direções. F) nas parcelas. Colunas 3 C B A E D Linhas 1 2 3 4 5 1 A E D C B 2 B A E D C 4 D C B A E 5 E D C B A 2o) Em seguida distribui-se ao acaso as linhas entre si.3. → Casualizando as linhas (2. para 3 e 4 tratamentos. 1o) Faz-se a distribuição sistemática dos tratamentos dentro das linhas. Mas. procedemos a um duplo controle local. D. 5. 4. b) Cada tratamento é representado uma única vez e ao acaso em cada linha e em cada coluna. E. podendo-se obter um quadrado final semelhante ao apresentado abaixo. O croqui seguinte ilustra a distribuição das variedades (A. 1. e depois as colunas. B. 3) E C B A D A D C B E B E D C A C A E D B D B A E C 66 . ou seja. 7. Características do DQL a) O número total de unidades experimentais necessárias para um experimento nesse delineamento é igual a I2. de maneira que cada coluna contenha também todos os tratamentos. D. c) O número de tratamentos é igual ao número de repetições. C. d) Este delineamento é aconselhável quando o número de tratamentos oscila entre 3 e 10. B. sendo I o número de tratamentos. Linhas 1 2 3 4 5 6 1 F B D A C E 2 B D F C E A Colunas 3 4 C E E A A C D F F B B D 5 D F B E A C 6 A C E B D F 7. C. E.

Tk = Total do tratamento k. 5.4. Admitindo-se I tratamentos. t k é o efeito do tratamento k. j GL I-1 I-1 I-1 (I-1)(I2) I2-1 Exemplo 1 4 4 4 12 24 Exemplo 2 3 3 3 6 15 Exemplo 3 5 5 5 20 35 onde C= G2 G2 = 2 I⋅ I I 1 I 2 ∑ Li − C I i =1 1 J SQColunas = ∑ C2 − C j I j =1 1 K SQTratamen tos = ∑ Ti2 − C I k =1 SQLinhas = 67 . em que. conseqüentemente I linhas e I colunas. 1. é o efeito da coluna j. m li cj na i-ésima linha e na j-ésima coluna. Cj = Total da coluna j. e ij( k ) é o erro experimental. 2) B E D C A D B A E C E C B A D C A E D B A D C B E ⇒ Quadrado final 7. as somas de quadrados são dadas por: SQTotal = ∑ Yij2 − C. é o efeito da linha i. i. Yij( k ) é o valor observado para a variável em estudo referente ao k-ésimo tratamento. o esquema da análise de variância fica: FV Linhas Colunas Tratamentos Resíduo Total Considerando Li = Total da linha i. Modelo estatístico O delineamento em quadrado latino apresenta o seguinte modelo estatístico: Yij(k ) = m + l i + c j + t k + e ij(k ) . é média de todas as unidades experimentais para a variável em estudo.EST 220 – Estatística Experimental – I/2008 _____________________________________________________________________ → Casualizando as colunas (3. 4. G = total geral.

após o período experimental (28 semanas).: Utilize α = 5% e o Teste de Duncan (se necessário) 7. Se estivéssemos avaliando a perda de grãos. 7. As produções.2. pelo teste F. sendo a parcela experimental constituída de um leitão. (C) Castração aos 36 dias de idade. T3 = 2349. Num experimento de competição de variedades de cana forrageira foram usadas 5 variedades: A=CO290. Qual o tratamento deve ser recomendado nos seguintes casos: b. Os ganhos de pesos. O objetivo de um experimento foi estudar o efeito da época de castração no desenvolvimento e produção de suínos.0 SQ Re siduo = 34116. (E) Castração aos 21 dias de idade.0.4.Cap 7 – Delineamento em Quadrado Latino _____________________________________________________________________ SQ Re siduo = SQTotal − SQL − SQC − SQT . que foram submetidas à mesma alimentação e manejo durante o período de gestação.2. Verificar se existe efeito significativo de tratamentos.0 α = 5% 7.5. C=CO297. relativos ao Quadrado Latino 5x5. b. se necessário. de uma certa cultura (em g/parcela)? Obs. dispostas em um quadrado latino 5x5. Se estivéssemos avaliando a produção de uma certa cultura (em kg/ha)? b. e concluir para α = 5% . em kg/parcela. Dispunha-se para esse estudo.0. Análise de Variância b. de 5 matrizes da mesma raça.5.1. Qual a variedade a ser recomendada? Utilize teste de Tukey. m 2 = 60. foram as seguintes: Colunas 3 458(B) 524(A) 556(C) 313(E) 438(D) 2289 Linhas 1 2 3 4 5 Totais 1 432(D) 724(C) 489(E) 494(B) 515(A) 2654 2 518(A) 478(E) 384(B) 500(D) 660(C) 2540 4 583(C) 550(B) 297(D) 486(A) 394(E) 2310 5 331(E) 400(D) 420(A) 501(C) 318(B) 1970 Totais 2322 2676 2146 2294 2325 11763 Considerando α = 5% . Exercícios 7. Foi utilizado o delineamento em quadrado latino buscando controlar a variação entre leitegadas (linhas) e a variação no peso inicial dos leitões (colunas). T2 = 2549. m 5 = 52. m 3 = 47. T5 = 1734. dados: T1 = 3024. D=CO299 e E=CO295. pede-se: a. (B) Castração aos 7 dias de idade. são dados: ˆ ˆ ˆ ˆ ˆ m1 = 50. m 4 = 40.1.0.0. 7. O controle feito através de blocos horizontais e verticais teve por objetivo eliminar influências devidas a diferenças de fertilidade em duas direções. durante a colheita. em kg. estão apresentados no quadro abaixo: 68 .80 a. (D) Inteiros. B=CO294. Aplicar o teste de Tukey para comparar as médias de tratamentos.3.5 SQ Re síduo = 388. T4 = 1970. Os tratamentos foram: (A) Castração aos 56 dias de idade.0. Em um experimento no delineamento em quadrado latino com 5 tratamentos.0.0.

6(C) 102. DADO: SQTotal = 2998.6 D 14.6 6 17.1 5 15.7(C) 118.1(B) 115. E. e E) usados para produção de iogurte.5 536. pede-se: a.8 5 110. 7. Utilize os teste de Scheffé e t.2(D) 96.3 F 9. Para controlar estas duas fontes de variação.7 Faixas de Peso Inicial 2 3 4 115. F.36 SQColunas=1.7 SQTotal=72.6(A) 108. D. Formule um contraste que permita avaliar o efeito médio da prática de castração. 7.27 Verificar se existe efeito significativo de forrageiras.3 543. B. G).9 2 19. c.1(B) 118.4(B) 112. B.6(E) 538. o pesquisador verificou que o material experimental disponível (25 unidades de 1 litro de leite) não era completamente homogêneo entre si.9 3 14.0(A) 110. pelo teste F. C. Um experimento foi conduzido numa região do Pantanal com o objetivo de selecionar forrageiras que garantissem uma maior produção de matéria seca. pois apresentavam variação quanto ao teor de gordura e grau de acidez.4(D) 117.9 525.4 7 16.4 Linhas Totais 1 18.6 502.4824 b.0(D) 111.5(E) 80. C.8 Totais 545. sendo avaliadas 7 forrageiras (A.6(D) 77.4 2656.2(B) 114. Teste o contraste obtido no item anterior.9(A) 102. Foram obtidos os seguintes resultados parciais com a realização do experimento: Tratamentos Totais A 30. D.0 E 13.8 B 25.5(E) 108.6.0(E) 94.0(C) 100.9(E) 110. No momento da instalação do experimento.8 G 8.7(D) 108.2(A) 532.9(B) 97.4(C) 116. o pesquisador distribuiu os bacilos ao acaso às amostras de leite de tal forma que cada bacilo pudesse ser testado em todas as condições de teor de gordura e grau de acidez.8(C) 529. Foi utilizado o delineamento em quadrado latino.0 539.9(A) 114. Um pesquisador instalou um experimento para comparar 5 tipos de bacilos (A.5.EST 220 – Estatística Experimental – I/2008 _____________________________________________________________________ Leitegadas 1 2 3 4 5 Totais 1 93. O quadro dado a seguir ilustra a distribuição dos bacilos às amostras de leite bem como o volume (em ml) de iogurte produzido: 69 . buscando controlar diferenças de fertilidade em duas direções.2 Considerando α = 5% .2 C 19. e concluir para α =1%. Faça a análise de variância.4 518.5 4 18.

D e E i) os bacilos A.6. Quantas vezes o princípio do controle local foi utilizado neste experimento? 7. D e E j) nenhuma das alternativas anteriores 70 . pode-se concluir que ao nível de 5% de probabilidade que a) existe pelo menos um contraste entre médias de bacilos estatisticamente diferente de zero b) todos os possíveis contrastes entre médias de bacilos são estatisticamente nulos c) o bacilo A é o melhor d) o bacilo B é o melhor e) o bacilo C é o melhor f) nenhuma das alternativas anteriores 7. O teste de Tukey indica que o(s) bacilo(s) que proporciona(m) maior(es) média(s) de produção de iogurte é (são) (use o nível de 5% de significância) foi(ram) a) o bacilo A b) o bacilo B c) o bacilo C d) o bacilo D e) o bacilo E f) os bacilos A. Quais foram os tratamentos em teste? 7.6. Qual foi o Delineamento experimental utilizado nesta pesquisa? 7.6.1.6. Qual foi a unidade experimental utilizada? 7. Usando os dados experimentais fornecidos anteriormente e o teste F para testar a fonte de variação bacilos.2.6.5.6. B e C g) os bacilos B.6.3. C e D h) os bacilos C.Cap 7 – Delineamento em Quadrado Latino _____________________________________________________________________ Teor de Gordura 1 2 3 4 5 Totais TA = 3395 1 450 A 750 C 750 D 650 E 750 B 3350 Grau de Acidez 2 3 4 620 680 620 E C D 990 750 660 B E A 910 690 990 C A B 890 835 850 D B C 720 850 770 A D E 4130 3805 3890 TC = 4080 TD = 3940 5 780 B 830 D 760 E 875 A 890 C 4135 Totais 3150 3980 4100 4100 3980 19310 TB = 4345 TE = 3550 Com base nas informações fornecidas.4. pergunta-se: 7.

cada um deles com dois ou mais níveis. Introdução Experimentos fatoriais são aqueles em que se estudam simultaneamente dois ou mais fatores. como por exemplo: o DIC e o DBC. pode-se utilizar a seguinte simbologia: nF . O primeiro possui 2 níveis. Num experimento fatorial completo.Efeito Principal: é o efeito de cada fator. podem ser estudados os seguintes efeitos: . o segundo 4 níveis e o terceiro 6 níveis. uma das maneiras de organizar os tratamentos e não um tipo de delineamento.2. em que os fatores em testes são Variedade (V) e Espaçamento (E). . Dizemos que ocorre interação entre os fatores quando os efeitos dos níveis de um fator são modificados pelos níveis do outro fator. cada nível de um fator combina com todos os níveis dos outros fatores. O produto 2x4x6 informa que no experimento foram testados simultaneamente 3 fatores. independente do efeito dos outros fatores.Efeito de Interação: é o efeito simultâneo dos fatores sobre a variável em estudo.1. O efeito da interação pode ser mais facilmente compreendido por meio de gráficos. Para ilustrar o efeito da interação. Por exemplo: Experimento Fatorial 43. os experimentos fatoriais são montados segundo um tipo de delineamento experimental. A principal aplicação de experimentos fatoriais é quando se quer saber sobre o efeito de diversos fatores que influenciam na variável em estudo e o relacionamento entre eles. considere um experimento fatorial 3x2. Experimentos Fatoriais 8. Tipos de efeitos avaliados em um experimento fatorial Nos experimentos fatoriais. Os tratamentos para este experimento são os seguintes: V1E1 V2E1 V3E1 V1E2 V2E2 V3E2 71 . 8.Cap 8 – Experimentos Fatoriais ____________________________________________________________ 8. Na verdade. os tratamentos são obtidos pelas combinações dos níveis dos fatores. A simbologia comumente utilizada. Por exemplo: Experimento Fatorial 2x4x6. O fatorial é um tipo de esquema. A potência 43 informa que o experimento tem 3 fatores com 4 níveis cada um. Quando o número de níveis é igual para todos os fatores. para experimentos fatoriais é indicar o produto dos níveis dos fatores em teste. Nos experimentos fatoriais. que representa a maneira pela qual os tratamentos são distribuídos às unidades experimentais. em que F é o número de fatores n é o número de níveis de cada fator. ou seja.

instalados segundo o DIC. respectivamente.3.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ Suponha os seguintes resultados fictícios. é fornecida a seguir: 72 . com dois fatores A e B. 12 10 8 Altura de plantas (cm) 6 4 2 0 V1 V2 V3 E1 E2 2) Há interação Espaçamentos E1 E2 Variedades V1 V2 V3 2 4 6 5 10 2 Quando há interação as diferenças entre os níveis de um fator dependem dos níveis do outro fator. Quadro de tabulação de dados Uma maneira de tabular os dados de um experimento fatorial. nas seguintes situações: 1) Não há interação Espaçamentos E1 E2 Variedades V1 V2 V3 8 10 12 6 8 10 Quando não há interação as diferenças entre os resultados dos níveis de um fator são estatisticamente iguais para todos os níveis do outro fator. para a variável altura de plantas (cm). 10 9 8 7 6 Altura de 5 plantas (cm) 4 3 2 1 0 V1 V2 E1 E2 V3 8. com I e níveis. com K repetições. deste experimento.

Pode-se montar um quadro auxiliar contendo os totais de tratamentos. .. YI11 YI21 .k =1 ∑ Yijk = ∑ A i = ∑ B j = YL i =1 j =1 ˆ Média do i-ésimo nível do fator A: m A i = ˆ Média do j-ésimo nível do fator B: m Bi = Ai JK Bj IK . YIJ....Cap 8 – Experimentos Fatoriais ____________________________________________________________ A1 Repetição B1 B2 ..K I J K k =1 J.. .. AI B1 B2 . j =1.J... . ... Y12. YI1........... ... Bj Totais A1 A2 .. BJ Y11.. . Y212 Y222 .. Y21. o quadro de totais de tratamentos é do seguinte tipo: G N Número total de parcelas: N=IJK ˆ Média geral: m = Fator A A1 A2 ... BJ Y2J1 Y2J2 ... ... . B1 B2 .. .. Y2J.. .. Y1JK Y1J• A2 B1 B2 ... . Y11K Y12K . . 2 ... YI1• YI2• .. AI G 73 ... pode-se tirar algumas informações que posteriormente serão úteis na análise de variância: - Total do ij-ésimo tratamento: ( AB) ij = ∑ Yijk = Yi j• Total do i-ésimo nível do fator A: A i = Total do j-ésimo nível do fator B: B j = Total Geral: G = I.. YI1K YI2K .... Este quadro facilita o cálculo das somas de quadrados devido aos fatores A e B. ...K j =1..k =1 I. Y2JK Y2J• . K Y11• Y12• .... Y111 Y121 . AI Totais Fator B B1 B2 .... Y211 Y221 ...K ∑Y ijk = Yi•• = Y• j • i =1. Y22. . cujos valores são obtidos pela soma de todas as repetições para o tratamento em questão.. YI12 YI22 . Para a situação citada... Y21K Y22K .. YIJK YIJ• Deste quadro. .... Total BJ Y1J1 Y1J2 . ... ...... Y21• Y22• ... .. . 1 Y112 Y122 . e da interação entre eles. YI2.... .k =1 ∑Y ijk i =1. .. Y1J......... BJ YIJ1 YIJ2 ....

α [(I-1)(J-1).EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ 8. O modelo estatístico para um experimento como este é: Yijk = m + α i + β j + (αβ )ij + e ijk em que. n2] - As fórmulas para a obtenção das somas de quadrados são as seguintes: 74 . o modelo estatístico seria: Y = m + α + β + (αβ )ij + ω + e ijk i j k ijk em que. O quadro a seguir apresenta como seria a análise de um experimento fatorial. respectivamente. é o erro associado a observação Yijk . instalados segundo o DIC. com 2 fatores A e B. é a média de todas as unidades experimentais para a variável em estudo. com K repetições. ωk é o efeito do k-ésimo bloco na observação Yijk .4. Análise de Variância A análise de variância de um experimento fatorial é feita desdobrando-se a soma de quadrados de tratamentos nas partes devido aos efeitos principais de cada fator e na parte devido à interação entre os fatores. com I e J níveis. é o efeito do i-ésimo nível do fator A no valor observado Yijk . e K repetições. Yijk é o valor observado para a variável em estudo referente a k-ésima m αi repetição da combinação do i-ésimo nível do fator A com o j-ésimo nível do fator B. 8. βj (αβ )ij é o efeito da interação do i-ésimo nível do fator A com o j-ésimo nível e ijk Para um experimento fatorial instalado segundo o DBC. é o efeito do j-ésimo nível do fator B no valor observado Yijk . FV A B AxB (Trat) Resíduo Total GL (I-1) (J-1) (I-1)(J-1) (IJ-1) n2=IJ(K-1) IJK – 1 SQ SQA SQB SQAxB (SQTrat) SQRes SQTotal QM SQAxB (I − 1)(J − 1) SQ Re s IJ(K − 1) F QMAxB QM Re s Ftab. com dois fatores: o fator A com I níveis e o fator B com J níveis. Modelo estatístico Considere um experimento fatorial. instalado segundo o DIC. do fator B. com K blocos.5.

J.1 SQ SQA SQB SQAxB (SQTrat) SQBlocos SQRes SQTotal QM F QMAxB QMRe s Ftab. FV A B AxB (Trat) Blocos Resíduo Total GL (I-1) (J-1) (I-1)(J-1) (IJ-1) K-1 n2=(IJ-1)(K-1) IJK .K SQTotal = i=1.k =1 ⎠ C= ⎝ IJK 2 ∑ I SQTrat = J i=1. K −C SQA = ∑ JK − C i=1 A i2 SQB = ∑ IK j=1 B2 j −C SQAxB = SQTrat – SQA – SQB SQResíduo = SQTotal – SQTrat O quadro abaixo apresenta como seria a análise de um experimento fatorial. instalado segundo o DBC.J K em que.k =1 ∑ 2 Yijk − C ⎛ I. n2] - (I − 1)(J − 1) SQ Re s (IJ − 1)(K − 1) - SQAxB Nesta situação. Total do k-ésimo bloco: Wk = i=1. j=1 ∑Y ijk = Y••k Conforme apresentado nas duas tabelas anteriores. j=1. com I e J níveis. respectivamente. com 2 fatores A e B. na análise dos dados oriundos de um experimento fatorial.K ⎞ ⎜ Yijk ⎟ ⎜ ⎟ i=1. O resultado deste teste F para a interação indica como as comparações dos níveis de um fator devem ser realizadas.J. para os dois tipos de delineamentos. Ha : Os fatores A e B não atuam independentemente sobre a variável resposta em estudo.α [(I-1)(J-1). j=1 ∑ I.J Yij2 . j=1. deve-se inicialmente proceder ao teste F para a interação entre os fatores. e K repetições (ou blocos).Cap 8 – Experimentos Fatoriais ____________________________________________________________ I. Temos dois resultados possíveis para o teste F da interação os quais serão apresentados a seguir. SQBlo cos = ∑ 2 Wk −C IJ k =1 I. As hipóteses para o teste F da interação são: H0 : Os fatores A e B atuam independentemente sobre a variável resposta em estudo. 75 .

para A e/ou B. todos os possíveis contrastes entre as médias dos níveis do fator B. aplica-se um teste de médias para comparar os níveis do fator... existe pelo menos um contraste entre as médias dos níveis do fator B. ao nível de probabilidade em que foi executado o teste.n2] - B AxB (Trat) Blocos Resíduo Total (J-1) (I-1)(J-1) (IJ-1) K-1 n2=(IJ-1)(K-1) IJK . Ha : não H0 ou seja. ao nível de probabilidade em que foi executado o teste.= m AI ou seja. são estatisticamente nulos. As estimativas das médias dos níveis dos fatores são obtidas por 76 . e o teste F para A e/ou B. for não significativo. independente dos níveis outro fator.5. existe pelo menos um contraste entre as médias dos níveis do fator A. que é estatisticamente diferente de zero. a aplicação do teste de médias é desnecessária. Se o teste F for significativo. Portanto recomenda-se que as comparações dos níveis de um fator sejam feitas de forma geral em relação ao outro fator.1 Interação não-significativa Este caso ocorre quando a hipótese H0 para a interação entre os fatores não é rejeitada.n2] [(J-1). Se os fatores A e B forem qualitativos. ao nível de probabilidade em que foi executado o teste. α [(I-1). ao nível de probabilidade em que foi executado o teste.= mBJ ou seja. Fator B H0 : mB1 = mB 2 =.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ 8. que é estatisticamente diferente de zero. são estatisticamente nulos. Este resultado implica que os efeitos dos fatores atuam de forma independente.. todos os possíveis contrastes entre as médias dos níveis do fator A. O passo seguinte na análise estatística dos dados experimentais é proceder ao teste F para cada fator como ilustrado na tabela apresentada a seguir para o caso do DBC. Ha : não H0 ou seja. ou seja.1 SQB SQAxB (SQTrat) SQBlocos SQRes SQTotal (I − 1)(J − 1) SQ Re s (IJ − 1)(K − 1) - SQAxB - As hipóteses para realizar o teste F para os efeitos principais são Fator A H0 : m A1 = m A 2 =.. FV A GL (I-1) SQ SQA QM SQA (I − 1) SQB (J − 1) F QMA QMRe s QMB QMRe s nãosiginificativo Ftab.

As hipóteses para os testes Tukey e Duncan para comparar as médias dos níveis dos fatores são Fator A → H0 : mAi = mAu versus Ha : mAi ≠ mAu para i ≠ u = 1.n2) (nB.. I Fator B → H0 : mBj = mBu versus Ha : mBj ≠ mBu para j ≠ u = 1. 2. + aImAI e CB = b1mB1 + b2mB2 + . .n2) (J. .Cap 8 – Experimentos Fatoriais ____________________________________________________________ ˆ Fator A → m Ai = Ai JK Bj ˆ Fator B → mBj = IK Para realizar o teste de Tukey para comparar as medias dos níveis dos fatores em teste temos que usar ∆ A B q QM Re s JK QM Re s IK qα (I..n2) q Para o teste de Duncan temos que usar Di A B zi zi QM Re s JK QM Re s IK zα (nA.. . 3. J Para a aplicação do teste t temos que usar t ˆ CA − CA ttab A QM Re s JK ∑a i=1 I 2 i tα (n2) ˆ CB − CB B QM Re s IK ∑b j=1 J 2 j tα (n2) Em que CA = a1mA1 + a2mA2 + ... 2.. 3.. + bImBJ 77 .n2) Em que nA e nB são os números de médias ordenadas abrangidas pelo contraste sendo testados. ..

n2] Fα [(J -1).. Portanto..1 SQ SQA/B1 SQA/B2 .. QMA / BJ QM Re s Ftab.....n2] . Para realizar este desdobramento deve-se fazer uma nova análise de variância em que os níveis de um fator são comparados dentro de cada nível do outro fator. Neste caso as comparações entre os níveis de um fator levam em consideração o nível do outro fator.. 3. SQA / BJ (I − 1) QMRes F QMA / B1 QM Re s QMA / B2 QM Re s . ou seja estudar B/A 78 . Este resultado implica que os efeitos dos fatores atuam de forma dependente... A/BJ Resíduo Total GL (I-1) (I-1) . 2.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ Para a aplicação do teste Scheffé para testar os contrastes YA e YB temos que usar S A B S = (I − 1)Ftab S = (J − 1)Ftab Ftab QM Re s JK ∑a i=1 J j=1 I 2 i Fα [(I -1)... são H0 : mA1/Bj = mA2/Bj = .2 Interação significativa Este caso ocorre quando a hipótese H0 para a interação entre os fatores é rejeitada. . Desdobramento para comparar os níveis de A dentro de cada nível de B. não é recomendado realizar o teste F para cada fator isoladamente tal como foi apresentado para o caso da interação nãosignificativa. estudar A/B FV A/B1 A/B2 . O procedimento recomendado é realizar o desdobramento do efeito da interação. (I-1) n2 IJK . [(I-1).. para j=1. n2] QM Re s IK ∑b 2 j As hipóteses para os testes de Scheffé e t para testar os contrastes são Fator A → H0 : CA = 0 versus Ha : CA ≠ 0 Fator B → H0 : CB = 0 versus Ha : CB ≠ 0 8. SQA/BJ SQTotal QM SQA / B1 (I − 1) SQA / B2 (I − 1) . α [(I-1).n2] - As hipóteses para testar as fontes de variação da tabela acima. tal como apresentado nas tabelas a seguir.5. = mAI/Bj Ha : não H0 Desdobramento para comparar os níveis de B dentro de cada nível de A. J.. pois o resultado significativo para a interação indica que o efeito de um fator depende do nível do outro fator..n2] [(I-1). ou seja...

.. As estimativas das médias dos níveis dos fatores são obtidas por A ˆ Fator A → m Ai = i K Bj ˆ Fator B → mBj = K Para realizar o teste de Tukey para comparar as médias dos níveis dos fatores em teste temos que usar ∆ A B q q QM Re s K QM Re s K qα (I.1 SQ SQB/A1 SQB/A2 .. [(J-1). recomenda-se a aplicação de um teste de médias.n2) (J.. procede-se ao teste F para cada fonte de variação do desdobramento.. B/AI Resíduo Total GL (J-1) (J-1) . para i=1. SQB / AI (J − 1) QMRes F QMB / A1 QM Re s QMB / A 2 QM Re s . I.n2] ..n2] [(J-1). 3.... α [(J-1).n2) 79 . QMB / AI QM Re s Ftab.n2] - As hipóteses para testar as fontes de variação da tabela acima. SQB/AI SQTotal QM SQB / A1 (J − 1) SQB / A 2 (J − 1) ... 2...Cap 8 – Experimentos Fatoriais ____________________________________________________________ FV B/A1 B/A2 ... (J-1) n2 IJK . ... = mBJ/Ai Ha : não H0 Em que as SQA/Bj e SQB/Ai podem ser obtidas usando a fórmula geral para a soma de quadrados dada por ⎛ k ⎞ ⎜ ∑ Xi ⎟ ⎜ 2 k X i ⎝ i=1 ⎟ ⎠ − SQ = ∑ k i=1 ri ∑ ri i=1 2 Se os fatores forem qualitativos. Nas fontes de variação em que o teste F foi significativo e o fator tem mais de dois níveis. são H0 : mB1/Ai = mB2/Ai = .

. 2. J e i = 1. . I Para a aplicação do teste Scheffé para testar os contrastes CA e CB temos que usar S A B S = (I − 1)Ftab I Ftab QM Re s ∑ a i2 Fα [(I -1). As hipóteses para os testes Tukey e Duncan para comparar as médias dos níveis dos fatores são Fator A → H0 : mAi/Bj = mAu/Bj versus Ha : mAi/Bj ≠ mAu/Bj para i ≠ u = 1. ..n2) Em que nA e nB são os números de médias ordenadas abrangidas pelo contraste sendo testados. ..n2) (nB. J e CB = b1mB1/Ai + b2mB2/Ai + . .... 3. . 2.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ Para o teste de Duncan temos que usar Di A B zi zi QM Re s K QM Re s K zα (nA. n2] K i =1 S = (J − 1)Ftab QMRe s J 2 ∑bj K j =1 Fα [(J -1). 2. 2. J Fator B → H0 : mBj/Ai = mBu/Ai versus Ha : mBj/Ai ≠ mBu/Ai para j ≠ u = 1. . 2. .. I Para a aplicação do teste t temos que usar t ˆ CA − CA ttab A QM Re s K ∑a i=1 I 2 i tα (n2) ˆ CB − CB B QM Re s K ∑b j=1 JI 2 i tα (n2) Em que CA = a1mA1/Bj + a2mA2/Bj + . ... + bJmBJ/Ai para i = 1.. n2] As hipóteses para os testes de Scheffé e t para testar os contrastes são Fator A → H0 : CA = 0 versus Ha : CA ≠ 0 Fator B → H0 : CB = 0 versus Ha : CB ≠ 0 80 .. . 3. I e j = 1. 2.... .. + aImAI/Bj para j = 1....

Cap 8 – Experimentos Fatoriais ____________________________________________________________ 8. Use α = 5 % . com 5 repetições.1. Para tanto foram utilizadas 24 poedeiras similares.1 Vantagens a. b.4 11. concluir sobre os efeitos dos fatores. O no de graus de liberdade associado ao resíduo é alto quando comparado com os experimentos simples dos mesmos fatores.9 10.7. Pede-se realizar a ANOVA e obter as conclusões sobre os fatores.0 14.0 12.2 12. Seja um experimento fatorial instalado no DIC. Permite o estudo dos efeitos principais e o efeito da interação entre os fatores. com dois fatores: Irrigação (A) e Calagem (B).2 Considerando o nível de significância de 5%.6. Vantagens e desvantagens de um experimento fatorial 8. são dados: N0 N1 10.6. 8.5 11. Foi realizada uma pesquisa para testar dois tipos de ambiente (com luz artificial e sem luz artificial no período da noite) e dois tipos de ração (com cálcio e sem cálcio). o que contribui para diminuir a variância residual.8 13.5 10. Os dados obtidos (kg de planta/parcela) para cada tratamento são fornecidos abaixo.4 13. Exercícios 8.3. 8. Ao final da avaliação foram obtidos os seguintes resultados (ovos/poedeira): Ração com cálcio sem cálcio Ambiente à noite com luz artificial sem luz artificial 50 52 48 54 52 50 49 52 50 48 46 45 42 44 46 43 44 45 40 40 38 39 41 43 81 .7 9.2 Desvantagem b.6. 8.2. escolhidas aleatoriamente. aumentando a precisão do experimento.6 14.8 10.2 11.2 14.1 13.5 11.4 P0 9. A0B0 25 32 27 A0B1 35 28 33 A1B0 41 35 38 A1B1 60 67 59 8.0 11. Requer maior número de unidades experimentais em relação aos experimentos simples. Em um experimento fatorial no DIC em que foram combinadas duas doses de N e duas doses de fósforo. cada um deles com dois níveis: presença (A 1 e B 1 ) e ausência (A 0 e B 0 ) .1 P1 10.

ao nível de 5% de probabilidade: a) Os fatores fonte nutritiva e vasilhame atuam independentemente no no de colônias bacterianas? Justifique sua resposta. Um experimento. pede-se. c) Qual o melhor vasilhame para a fonte nutritiva a base de K? (Use o teste Tukey.72 2. foram obtidos os seguintes resultados.5.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ Ao nível de 1% de probabilidade e admitindo que se trata de um experimento instalado segundo o DIC. após o término da realização do experimento: Totais de Tratamento para o no de colônias bacterianas Fonte nutritiva (F) a base de Vasilhame (V) N P K Tubo de Ensaio 25 30 10 Placa de Petri 20 15 40 Total 45 45 50 FV V F VxF Blocos Resíduo Total Resumo da ANOVA GL SQ QM F Total 65 75 140 4 1. se necessário).4. instalado segundo o Delineamento Inteiramente Casualizado com 5 repetições. c) Qual seria o tipo de Ambiente recomendado? (Use o teste Tukey se necessário). 8. pede-se: a) Pode-se afirmar que o tipo de Ração e o tipo de Ambiente atuam independentemente na produção de ovos? b) Qual seria o tipo de Ração recomendada? (Use o teste Tukey se necessário). se necessário). Para um experimento montado no DBC e que se pretendia verificar o efeito dos fatores tipo de vasilhame e tipo de fonte nutritiva no crescimento de colônias bacterianas em laboratório. com o objetivo de verificar o efeito de 2 cultivares de Eucalipto e de 2 espaçamentos na produção de carvão. 8. b) Qual a melhor fonte nutritiva para o vasilhame placa de petri? (Use o teste Tukey.05 Com base nos resultados fornecidos acima. forneceram os seguintes resultados: 82 .

pede-se: a)Os fatores Raça e Ração atuam independentemente no teor de gordura dos suínos? b)Proceda a análise do fator Ração. Totais de Tratamentos Ração Raça Totais 1 2 1 45 40 85 2 38 45 83 3 39 48 87 Totais 122 133 255 FV Ração Raça Interação (Tratamentos) Blocos Resíduo Total GL SQ 5.0000 QM F Ao nível de 5% de probabilidade. Abaixo são fornecidos o Quadro da Análise de Variância e o Quadro de Interação para um experimento fatorial instalado segundo o Delineamento em Blocos Casualizados. conforme o resultado obtido para o teste F da Análise de Variância para a Interação Raça*Ração. que foi realizado por um zootecnista para comparar 3 raças de suínos e 2 tipos de rações com relação ao teor de gordura na carcaça. pede-se: a) Os fatores variedades e espaçamentos atuam independentemente na produção de carvão? b) Qual foi a variedade que forneceu a menor produção? c) Qual foi o espaçamento que forneceu a maior produção? 8.00 V1 30 38 68 Totais 65 77 142 Usando o nível de significância de 5% e aplicando o teste Tukey quando necessário.0000 (20. 83 .6. com 4 repetições.3750) 15.Cap 8 – Experimentos Fatoriais ____________________________________________________________ Totais de Tratamentos Variedades V2 35 39 74 Espaçamentos E1 E2 Totais SQResíduo = 17.0400 1. da maneira adequada.

c/ 52 60 60 90 m. e) Qual meio de cultura (meio mínimo com extrato de levedura ou meio mínimo sem extrato de levedura) você usaria para propiciar um maior crescimento do fungo B? Justifique sua resposta. b) Qual a estratégia de análise a ser efetuada (ou os passos da análise subseqüente) nos seguintes casos de um fatorial com dois fatores A e B: b.L.L.m. discussão e tomada de decisão. Para explicar você pode usar exemplos.1) INTERAÇÃO NÃO SIGNIFICATIVA.20 (Trat) ---Blocos ---Resíduo 10. 84 . com 5 repetições. que objetiva avaliar seus conhecimentos na área. Suponha que você esteja participando de uma seleção para um emprego numa empresa de pesquisa. C e D) com relação ao crescimento em meio mínimo (m. pede-se: (obs. B. do quadro acima.8.B. não simplesmente pedindo-lhe para fazer "contas" (o que eles acham ser de menor importância). explicando como obteve cada um deles.7. QM Fator A 1 144.00 Total Totais 262 186 448 o seguinte Com base nos resultados fornecidos acima. à sua escolha. AxB 49. c) A que se refere o Fator A do quadro da ANOVA acima? E o Fator B? Justifique suas respostas. interpretação. consta a área de Estatística. b. tabelas. São feitas as seguintes perguntas: a) Como você faria um "leigo" entender o que vem a ser INTERAÇÃO ENTRE DOIS FATORES A e B. d) Os fatores em estudo atuam independentemente na variável em análise (crescimento)? Justifique sua resposta.m. b) Complete a coluna de G.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ 8.V. etc.m s/ 50 56 40 40 Totais 102 116 100 130 A análise de variância dos dados no computador forneceu quadro (incompleto) da ANOVA: F. Após a coleta e tabulação dos dados (numa unidade de medida qualquer) foi montado o seguinte quadro de interação de totais de tratamentos: Meio Fungo A Fungo B Fungo C Fungo D m. G.2) INTERAÇÃO SIGNIFICATIVA. Para se avaliar o comportamento de 4 espécies de fungos (A.40 Fator B 3 19. gráficos.: use α=1%) a) Cada valor interno no quadro de interação acima veio de quantas observações? Justifique. Dentre as várias áreas em avaliação. foi realizado um experimento fatorial 4x2 no D. 8.) com (c/) ou sem (s/) a fonte nutritiva extrato de levedura.C. mas sim com respeito à estratégia de análise.40 Int.

Do fatorial 4x3. Assuma que as pressuposições dos testes t e Scheffé foram satisfeitas. a média do grupo de fungos A e B com a média do grupo de fungos C e D pelo teste t e Scheffé quando o meio de cultura com extrato de levedura foi utilizado.12.10. foram obtidos os seguintes resultados: Totais de Tratamentos A1 A2 A3 B1 9068 8841 9278 B2 9932 9960 9779 B3 10709 9560 10023 2 ∑ Y = 283282054 ijk Bloco Total Pede-se (α = 5% ) : a) ANOVA b) Teste de Duncan 1 28218 2 29641 3 29291 8. Em um experimento no esquema fatorial.11. com dois fatores qualitativos A e B. qual procedimento deve-se adotar quando: a) A interação for não-significativa. são dados: A1 14 17 21 A2 17 23 31 A3 21 26 32 A4 24 30 35 B1 B2 B3 12 18 22 16 20 20 15 22 30 18 23 32 20 25 29 23 28 32 23 29 34 26 32 37 Para o nível de significância de 5%. pede-se: a) ANOVA b) Teste de Tukey +m − 2m pelo teste de c) Testar o contraste C = m B1 / A1 B2 / A1 B3 / A1 Scheffé. 85 . 8. 8. b) A interação for significativa. 8.Cap 8 – Experimentos Fatoriais ____________________________________________________________ f) Compare por meio de um contraste. para um determinado α . em que se deseja estudar os efeitos dos dois fatores. De um experimento no DBC. Dizer o que você entende e como interpreta uma interação entre dois fatores A e B significativa.9. no DIC com 3 repetições. no esquema fatorial.

7 357.7 56.3 116.7467 AxB 10.7 Total 286.9 2 ∑ Y = 814.6 120. se for o caso.0 26.4 20.8 109.8 66.4 II 74.5 15. e aplicar o teste de Duncan.3 Total 114.5 110.4 A1 20.56 . no delineamento em Blocos Casualizados com 2 repetições. ambos qualitativos.7 43.1 A2 26. Com os dados do quadro de interação do fatorial 2x6.5 29.6 B4 49. e considerando α = 5% com os fatores A e B atuando dependentemente.3 69.0 B3 47.5 61.2 21.4 A4 36.3 Total 41.6 A2 21. são dados: B1 B2 Total SQTotal = 159.7469 B 10.15.4 Sabendo-se que os fatores A e B atuam independentemente e adotando-se α = 5% .0 71.6 B5 48.2 93.4289 Resíduo Total 8.4 22.3 35.4 57.9 SQResíduo = 120.9 62.2 643. resumidos nos quadros de interações e ANOVA.6 A3 31.0 B6 46. pede-se : a) testar e concluir a respeito do fator A dentro do nível B4 b) Fazer o estudo do fator B dentro dos níveis de A procedendo a análise de variância e o teste de Tukey se necessário A1 A2 Total B1 46.6 36.4 47.9 46. ijk FV GL SQ Bloco 5 200.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ 8.3 21.14.13.8 47. Totais de Tratamentos B1 B2 B3 Total A1 20.6 III 72. Analisar os dados do fatorial 2x3.98 Blocos Totais I 60.0 B2 48.5 141. pede-se: a) aplicar o teste de Scheffé ao contraste + 2m + 3m C=m − 6m A1 A2 A3 A4 b) concluir a respeito do fator B 86 .8 93.2 60.2 94.8325 8.3146 A 7. Em um experimento fatorial 4x2 no delineamento em Blocos Casualizados com 3 repetições. para α = 1% .6 79.2 207.

A1 A2 B1 12 14 16 14 13 16 B2 15 17 18 11 12 11 B3 12 11 13 12 12 13 A1 198 A2 184 A3 162 A4 154 Pede-se: a) Verificar se os dois fatores atuam independentemente.34 (Tratamentos) Resíduo 4957. utilizando um delineamento inteiramente casualizado num esquema fatorial com 5 repetições.9680 Admitindo que os fatores atuam independentemente. Em um experimento fatorial em que foram combinados 4 níveis do fator A com 2 níveis do fator B. no DIC foram combinados 2 níveis do fator A com 3 níveis do fator B (ambos qualitativos). com 3 repetições. B. Ao final do experimento. Os valores obtidos para cada repetição nos tratamentos avaliados. no delineamento em Blocos Casualizados com 5 repetições.20 Total b. FV GL SQ QM F Ração Proteína Interação 2 140. obteve-se o seguinte quadro de interação para os totais de tratamentos: Proteína 1 2 Totais A 498 469 967 Rações B 428 350 778 C 477 406 883 Totais 1403 1225 2628 Ao nível de 5% de probabilidade. Concluir para α = 5% .16.18.17. C) e dois níveis de proteína (1-Alto. 8. Use α = 5% . Em um experimento fatorial.Cap 8 – Experimentos Fatoriais ____________________________________________________________ 8. são dados abaixo. Num experimento com suínos foram comparadas três rações (A. Qual seria a ração a ser recomendada? (Use o teste de Duncan se necessário) 87 . são dados: Níveis de A Totais SQResíduo = 223. b) Faça um estudo completo acerca dos níveis do fator A. Complete o quadro da ANOVA e verifique se os fatores rações e níveis de proteína atuam independentemente. 2-Médio). aplicar o teste Tukey aos níveis do fator A e concluir para α = 5% . pede-se: a.4667 0. 8.

Qual seria o nível de proteína a ser recomendado? (Use o teste de Duncan se necessário). às unidades experimentais conforme ilustrado na Figura 1. Para isto foram escolhidos três horários de colheita (H1. H2T1. H3T1 e H3T2. Figura 1 – Distribuição dos tratamentos às unidades experimentais e respectivas perdas (em gramas) observadas durante a colheita 10 m 20 m H2T1 (43) H1T2 (54) H3T2 (71) H3T2 (74) H3T1 (56) H2T2 (65) H1T1 (39) H2T2 (67) H3T2 (73) H2T1 (48) H1T1 (49) H3T1 (59) H2T1 (41) H3T1 (52) H1T1 (35) H1T2 (56) H2T2 (62) H1T2 (58) H1T2 (61) H2T1 (47) H3T1 (58) H2T2 (59) H1T1 (40) H2T2 (64) H1T2 (59) H3T1 (57) H2T1 (38) H3T2 (77) H1T1 (45) H3T2 (75) T1 T2 H1 35 40 45 49 39 54 58 56 61 59 Valores observados tabulados H2 H3 43 41 47 38 52 57 58 56 48 59 67 59 62 65 71 73 74 77 64 75 Total 1682(30) T1 T2 Totais H1 208(5) 288 496(10) Totais de Tratamentos H2 H3 217 282 317 370 534 652 Totais 707(15) 975 1682(30) 88 . H2 e H3) e dois tipos de colheitadeira (T1 e T2).19. 8.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ c. o pesquisador distribuiu inteiramente ao acaso os tratamentos. Um pesquisador instalou um experimento para avaliar o efeito que o horário de colheita e o tipo de colheitadeira têm na perda de grãos. H1T2. as combinações dos níveis dos fatores. O pesquisador definiu como unidade experimental uma área de 10×20 metros. H1T1. Como as unidades experimentais eram homogêneas. H2T2. ou seja.

atuam independentemente na perda de grãos? 8. objetivando aumentar a eficiência de uma linha de produção.95 122. Qual tipo de colheitadeira ocorreu maior média de perda de grãos? Use o teste de Tukey e de Duncan se necessário.1.3. Testar o contraste C = 2mH1 – mH2 – mH3 pelos testes de Scheffé e t. Neste experimento foram comparados dois tipos de controle de qualidade (A1 e A2).19. pede-se (use o nível de 5% de significância): 8. 8.5.55 F Com base nestas informações. Suponha que todas as pressuposições para a realização de tais testes sejam satisfeitas.20. Cada um dos dois tipos de controle de qualidade foi testado usando dois processos de fabricação (B1 e B2). Os fatores. em minutos. 8.Cap 8 – Experimentos Fatoriais ____________________________________________________________ Com base nas informações fornecidas. Em qual(is) horário(s) de colheita ocorreu maior(es) média(s) de perda de grãos? Use o teste de Tukey e de Duncan. 8. 89 .2. pede-se: 8. para completar o processo de fabricação foi medido.19.19.05 92.19. Suponha que todas as pressuposições para a realização de tais testes sejam satisfeitas.1. 8. instalou um experimento fatorial segundo o delineamento inteiramente casualizado com 5 repetições. Um Engenheiro de Produção. O quadro de totais de tratamentos é fornecido a seguir: Totais de Tratamentos Fator A Fator B A1 A2 Totais B1 92 113 205 B2 112 90 202 Totais 204 203 407 FV A B A*B Tratamentos Resíduo Total Resumo da ANOVA GL SQ QM 0. Testar o contraste C = mT1 – mT2 pelos testes de Scheffé e t.19. horário de colheita e tipo de colheitadeira. O tempo gasto. Os fatores controle de qualidade e processo de fabricação atuam independentemente sobre o tempo gasto para fabricação? Justifique a sua resposta.20.4.

Qual método de aceleração proporciona maior consumo? Utilize o teste de Duncan se necesário.99 A*B Tratamentos Resíduo 48. Os fatores método de aceleração e porte do motor atuam independentemente sobre o consumo de combustível dos carros? Justifique a sua resposta. médio (B2) ou grande (B3).11 B 122.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ 8. se necessário.21. para verificar o efeito de dois fatores sobre o consumo de combustível.00 Totais de Tratamentos 90 QM F .2. 8. Qual processo de fabricação é mais rápido quando o controle de qualidade A1 é utilizado? Utilize o teste de Tukey.1. foram medidos. instalado segundo o DBC com 3 blocos: Resumo (incompleto) da ANOVA FV A B AxB (Trat) Blocos Resíduo Total GL SQ 10315. 8. Justifique a sua resposta.22. Foram montados 36 carros e o consumo destes carros. 8.20. expresso em km/l.2. O primeiro fator se refere ao método de aceleração: eletrônica (A1) ou via cabo mecânico (A2).21. pede-se: 8.21. Justifque a sua resposta. Os níveis destes dois fatores foram combinados. Uma fábrica de automóveis realizou um experimento fatorial segundo o delineamento inteiramente casualizado com seis repetições.89 Baseado nestas informações e usando o nível de 1% de signficância. O outro fator se refere ao porte do motor: pequeno (B1).33 180. Os totais observados para cada tratamento foram Totais de Tratamentos Fator A Fator B A1 A2 Totais B1 73 69 142 B2 85 79 164 B3 58 52 110 Totais 216 200 416 FV GL SQ QM F A 7.67 Total 178. Foram obtidos os seguintes resultados parciais com a realização de um experimento com dois fatores A e B. obtendo-se um total de seis tratamentos.

91 . Supondo que o teste F da análise de variância para o estudo de A dentro de B2 foi significativo.2 Proceda ao estudo do fator B dentro do nível A2 e conclua (use o teste de Tukey se necessário). proceda ao teste de Tukey para comparar os níveis de A dentro de B2. 8.1 Os fatores A e B atuam independentemente? 8.22.22.3.22.Cap 8 – Experimentos Fatoriais ____________________________________________________________ B1 B2 Totais A1 114 85 199 A2 209 58 267 A3 330 405 735 A4 114 299 413 Totais 767 847 1614 Usando o nível de 5% de significância. pede-se: 8.

23.59 188.9 259.1 O valor do F calculado para testar o efeito da interação entre os fatores A e B.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ 8.7 28.8 31.2 32.6 36.2 126.2 36.0 29.22 Com base nas informações fornecidas.6 139.23.8 247. O valor do F calculado para comparar os níveis de B dentro do nível A2 8.0 34.3 142.8 Repetições 2 3 36. Os ganhos de peso obtidos pelos animais em teste foram: Tratamentos A1B1 A1B2 A2B1 A2B2 A3B1 A3B2 Fator A 1 2 3 Totais FV A B AxB (Trat) Resíduo Total GL 1 35.3 Fator B 1 2 141. pede-se: 8.6 139.23.2 QM F Totais 141.7 36.8 30.33 33.3 142.2 31.8 34.3 Totais 280. 8.3 405.0 35.4 35.23.3 35.3 121. Em um experimento fatorial instalado segundo o delineamento inteiramente casualizado.2 126.1 29.9 SQ 71.3.4 28.6 33.3 382.5 117. O valor do F calculado para comparar os níveis de A dentro do nível B2 92 .4 32.3 121. foram testados três tipos de suplementos minerais (Fator A) e dois tipos de suplementos vegetais (Fator B) no confinamento de bovinos.5 117.5 788.4 28.2.34 154.6 29.1 31.8 4 35.

86 19. Existe diferença entre os níveis de A dentro do nível B1? 8. com 4 repetições.1. são fornecidas as seguintes informações: FV A B AxB (Trat) Resíduo Total GL SQ 92.70) 198.Cap 8 – Experimentos Fatoriais ____________________________________________________________ 8.24.70 Ttotais de Tratamentos Fator A A1 A2 A3 102.3 264.24. Os fatores A e B atuam independentemente? 8.24.5 203.9 QM F Fator B B1 B2 Totais Totais 286. com 3 e 2 níveis respectivamente. Deste experimento.3 85.3.2.2 Com base nas informações fornecidas.24. pede-se (use o nível de 1% de significância quando necessário) 8.9 551.6 103.3 181. foram estudados os fatores A e B. Qual o nível de B apresenta maior média dentro do nível A2? Use o teste de Tukey.8 165.3 78.5 80. 93 . se necessário. Em um experimento instalado segundo o delineamento inteiramente casualizado.08 (175.2 101.

EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ 8.2 286.8 Tratamentos 1 – R1E1 2 – R1E2 3 – R2E1 4 – R2E2 5 – R3E1 6 – R3E2 Usando α=1% 1 26.3 (12) E2 101.4 22. d) Utilize os testes de Scheffé e t para testar os contrastes apropriados.0 19.5 78.8 21.7 26. para avaliar o efeito do fator Recipiente e do fator Espécie na altura da muda aos 80 dias de idade.4 18.4 18.3 85.3 103. respectivamente de eucalipto. instalado segundo o delineamento inteiramente casualizado no esquema fatorial. Os níveis do fator recipiente avaliados foram saco plástico pequeno.2 24.3 264.2 85. saco plástico grande e saco laminado.0 25. R2 e R3.25 Foi realizado um experimento.6 19.4 25.6 26.9 (12) Totais 203.3 25.9 (8) 181.1 21. respectivamente. Recipiente e Espécie.3 78. Os valores observados.2 26.2 (24) Observação: Este exercício foi adaptado de BANZATTO e KRONKA (1989) 94 .3 80. daqui por diante identificados como R1. atuam independentemente na altura das mudas? b) Levando em consideração o teste F para a interação entre os fatores.5 551. Use o teste de Tukey quando necessário.3 a) Os fatores.8 19.8 165.1 19.2 21.3 Totais 102. foram Repetições 2 3 26.6 (4) 103.5 80. indique qual(is) nível(is) de Recipiente proporcionou(aram) maior média de altura das mudas? Use o teste de Tukey quando necessário.8 25. Os níveis do fator espécie avaliados foram Eucalyptus citriodora e Eucalyptus grandis daqui por diante identificados como.0 24.8 4 25.7 19.6 22. em cm.6 101. E1 e E2. os quais foram elaborados pelo pesquisador durante o planejamento deste experimento Interação Significativa Não-signficativa Fator Recipiente C1 = mR1/E1 + mR2/E1 – 2mR3/E1 C3 = mR1 + mR2 – 2mR3 Espécie C2 = mE1/R1 – mE2/R1 C4 = mE1 – mE2 Informação adicional: Quadro de Totais de Tratamentos Recipientes Espécies R1 R2 R3 Totais E1 102. c) Idem para Espécie.

2. Como a variação residual entre subparcelas é esperada ser menor do que entre parcelas. 2 . 3 . Às vezes o pesquisador pode optar entre um experimento com parcelas subdivididas e um experimento fatorial.. para um experimento em parcelas subdivididas. em geral. para um experimento instalado segundo o DIC. ou para o qual deseja-se maior precisão. DBC. varia de acordo com o tipo de delineamento utilizado. Introdução Tal como no caso de fatorial. Nos experimentos em parcelas subdivididas.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ 9. Modelo estatístico O modelo estatístico. Experimentos em Parcelas Subdivididas 9. ou seja. Na instalação os níveis do fator primário são distribuídos às parcelas segundo um tipo de delineamento experimental (DIC. Yijk é o valor observado para a variável em estudo referente a k-ésima repetição da combinação do i-ésimo nível do fator A com o j-ésimo nível do fator B. é o efeito do j-ésimo nível do fator B no valor observado Yijk . o modelo estatístico é: Yijk = m + α i + δik + β j + (αβ )ij + eijk em que. Posteriormente os níveis do fator secundário são distribuídos ao acaso as subparcerlas de cada parcela.). Para a escolha do esquema em parcelas subdivididas. o fator que se espera apresentar menor diferenças. etc. 1989): 1 . Em um experimento em parcelas subdivididas. m αi βj 95 .o pesquisador quer comparar níveis de um fator secundário com maior precisão. o termo parcelas subdivididas não se refere a um tipo de delineamento e sim ao esquema do experimento. Assim. o pesquisador pode se basear nos seguintes critérios (VIEIRA.o fator principal exige "grandes parcelas" . um animal. estuda-se simultaneamente dois tipos de fatores os quais são geralmente denominados de fatores primários e fatores secundários. uma pessoa) que pode receber vários níveis de um fator secundário. deve-se escolher como fator secundário. 9. as unidades experimentais são agrupadas em parcelas as quais devem conter um número de unidades experimentais (subparcelas) igual ao número de níveis do fator secundário.1.. é a média de todas as unidades experimentais para a variável em estudo.a parcela é uma unidade "física" (um vaso. é o efeito do i-ésimo nível do fator A no valor observado Yijk .como é o caso da irrigação e de processos industriais. em que o fator A é o fator primário e o fator B é o fator secundário. a maneira pela qual os tratamentos são organizados.

......k =1 ∑ Yijk = ∑ A i = ∑ B j = YL i =1 j =1 J j =1 I. Y1JK Y1J• A2 B1 B2 . o modelo estatístico seria: Y = m + α + δ + β + (αβ )ij + ω + e ijk i j k ijk ik em que. ω k é o efeito do k-ésimo bloco na observação Yijk ...J........ Y21K Y22K ... BJ Y2J1 Y2J2 . ... Y21• Y22• . . Total BJ Y1J1 Y1J2 ..3. .. Para um experimento em parcelas subdivididas instalado segundo o DBC.K I J k =1 J.. . YIJK YIJ• Deste quadro. YI12 YI22 .. YI1• YI2• ... no qual o fator primário é representado pelo fator A com I níveis.. .. Y2JK Y2J• . Y11K Y12K .J Total de Parcelas: Pz = ∑ Yijk Total de Blocos: W k = i =1. 2 . . YI1K YI2K .Cap 9 – Experimentos em Parcelas Subdivididas ___________________________________________________________ (αβ )ij é o efeito da interação do i-ésimo nível do fator A com o j-ésimo nível do fator B. com K blocos. pode-se tirar algumas informações que posteriormente serão úteis na análise de variância: - Total do ij-ésimo tratamento: ( AB) ij = ∑ Yijk = Yi j• K Total do i-ésimo nível do fator A: A i = Total do j-ésimo nível do fator B: B j = Total Geral: G = I.K j =1. O quadro a seguir. e ijk é o efeito residual das subparcelas. ... . Y211 Y221 ... 1 Y112 Y122 .. K Y11• Y12• ... 9. Quadro de tabulação de dados O quadro de tabulação de dados de um experimento em parcelas subdivididas é similar ao usado para tabular os dados de um experimento em fatorial.k =1 ∑Y I........ Y111 Y121 .. .. . caracterizado como componente do erro (a). caracterizado como componente do erro (b).... j =1 ∑Y ijk 96 . .. ..... Y212 Y222 . . ilustra a tabulação de dados de um experimento em parcelas subdivididas.. δ ik é o efeito residual das parcelas... YI11 YI21 ......K ijk = Yi•• i =1.k =1 ∑Y ijk = Y• j • i =1...... e o fator secundário representado pelo fator B com J níveis: A1 Repetição B1 B2 .... j =1. BJ YIJ1 YIJ2 ... AI B1 B2 .

EST 220 – Estatística Experimental – I/2008 ___________________________________________________________
ˆ Média do i-ésimo nível do fator A: m A i = Ai JK Bj

ˆ Média do j-ésimo nível do fator B: m Bi =
ˆ Média geral: m = G N Número de parcelas Z = IK Número total de subparcelas: NT=IJK

IK

,

Para experimentos em parcelas subdivididas, pode-se montar dois quadros auxiliares. O primeiro deles é idêntico ao visto para experimentos fatoriais que é o quadro de totais de tratamentos, cujos valores são obtidos pela soma de todas as repetições para o tratamento em questão. Para a situação citada, o quadro de totais de tratamentos é do seguinte tipo: Fator A A1 A2 ... AI Totais Fator B B1 B2 ... BJ Y11. Y12. ... Y1J. Y21. Y22. ... Y2J. ... ... ... ... YI1. YI2. ... YIJ. B1 B2 ... Bj Totais A1 A2 ... AI G

O segundo quadro se refere ao quadro de totais de parcelas. Este quadro facilita o cálculo das somas de quadrados de parcelas. Para a situação acima, o quadro de totais de parcelas é do seguinte tipo: Fator A A1 A2 ... AI Totais de Parcelas Parcela 1 2 ... Z Y1.1 Y1.2 ... Y1.Z Y2.1 Y2.2 ... Y2.Z ... ... ... ... YI.1 YI.2 ... YI.. P1 P2 ... PZ Totais de A A1 A2 ... AI G

9.4. Análise de variância
A análise de variância de um experimento em parcelas subdivididas é feita desdobrando os efeitos das parcelas e das subparcelas nas partes que as compõem. Para cada um destes desdobramentos, existe um resíduo, o qual é utilizado para testar o efeito das fontes de variação pertinentes. O quadro a seguir apresenta como seria a análise de um experimento instalado segundo o DBC com K repetições no esquema em parcelas subdivididas, em que o fator A com I níveis foi designado às parcelas e o fator B com J níveis foi designado às subparcelas

97

Cap 9 – Experimentos em Parcelas Subdivididas ___________________________________________________________
FV Blocos A Resíduo(a) Parcelas B AxB Resíduo(b) Total GL (K-1) (I-1) (I-1)(K-1) IK-1 (J-1) (I-1)(J-1) n2 = I(J-1)(K-1) IJ K- 1 SQ SQBlocos SQA SQRes(a) SQParcelas SQB SQAxB SQRes(b) SQTotal QM SQA (I − 1)
SQ Re síduo(a) (I − 1)(K − 1)

F -

Ftab; α

SQB (J − 1) SQAxB (I − 1)(J − 1)
SQ Re síduo(b) I(J − 1)(K − 1)

QMAxB QM Re s(b)

[(I-1)(J-1); n2]

-

-

em que:
I,J,K

SQTotal =

i=1, j=1,k =1

2 Yijk − C

⎛ I,J,K ⎞ ⎜ Yijk ⎟ ⎜ ⎟ ⎝ i=1, j=1,k =1 ⎠ C= IJK

SQBlo cos =

2 WK −C IJ K =1

K

SQParcelas =
J

∑P
z =1

Z

z

2

SQTrat =
−C

i=1, j =1

I,J

Yij2 . K

−C

SQA =

∑ JK − C
i=1

I

A I2

J

SQB =

B2 J −C IK j=1

SQAxB = SQTrat – SQA – SQB SQRes(a) = SQParcelas - SQBlocos - SQA SQRes(b) = SQTotal - SQParcelas - SQB - SQAxB

Tal como no esquema fatorial, na análise dos dados oriundos de um experimento em parcelas subdivididas deve-se inicialmente proceder ao teste F para a interação entre os fatores. As hipóteses para o teste F da interação são: H0 : Os fatores A e B atuam independentemente sobre a variável resposta em estudo. Ha : Os fatores A e B não atuam independentemente sobre a variável resposta em estudo. O resultado deste teste F para a interação indica como as comparações dos níveis de um fator devem ser realizadas. Temos dois resultados possíveis para o teste F da interação os quais serão apresentados a seguir.

98

EST 220 – Estatística Experimental – I/2008 ___________________________________________________________

9.4.1 Interação não-significativa
Este caso ocorre quando a hipótese H0 para a interação entre os fatores não é rejeitada. Este resultado implica que os efeitos dos fatores atuam de forma independente. Portanto recomenda-se que as comparações dos níveis de um fator sejam feitas de forma geral em relação ao outro fator, ou seja, independente dos níveis outro fator. O passo seguinte na análise estatística dos dados experimentais é proceder ao teste F para cada fator como ilustrado na tabela apresentada a seguir para o caso do DBC.
FV Blocos A Resíduo(a) Parcelas B AxB Resíduo(b) Total GL (K-1) (I-1) n2 = (I-1)(K-1) IK-1 (J-1) (I-1)(J-1) n3 = I(J-1)(K-1) IJ K- 1 SQ SQBlocos SQA SQRes(a) SQParcelas SQB SQAxB SQRes(b) SQTotal QM SQA (I − 1)
SQ Re s(a) (I − 1)(K − 1)

F QMA QM Re s(a) QMB QM Re s(b) não-signficativo -

Ftab; α [(I-1); n2]

SQB (J − 1) SQAxB (I − 1)(J − 1)
SQ Re s(b) I(J − 1)(K − 1)

[(J-1); n3] -

-

As hipóteses para realizar o teste F para os efeitos principais são Fator A H0 : m A1 = m A 2 =...= m AI ou seja, todos os possíveis contrastes entre as médias dos níveis do fator A, são estatisticamente nulos, ao nível de probabilidade em que foi executado o teste. H a : não H 0 ou seja, existe pelo menos um contraste entre as médias dos níveis do fator A, que é estatisticamente diferente de zero, ao nível de probabilidade em que foi executado o teste. Fator B H0 : mB1 = m B 2 =...= mBJ ou seja, todos os possíveis contrastes entre as médias dos níveis do fator B, são estatisticamente nulos, ao nível de probabilidade em que foi executado o teste. H a : não H 0 ou seja, existe pelo menos um contraste entre as médias dos níveis do fator B, que é estatisticamente diferente de zero, ao nível de probabilidade em que foi executado o teste. Se os fatores A e B forem qualitativos, e o teste F para A e/ou B, for não significativo, a aplicação do teste de médias é desnecessária. Se o teste F for significativo, para A e/ou B, aplica-se um teste de médias para comparar os 99

Cap 9 – Experimentos em Parcelas Subdivididas ___________________________________________________________ níveis do fator. As estimativas das médias dos níveis dos fatores são obtidas por
A ˆ Fator A → m Ai = i JK Bj

ˆ Fator B → mBj =

IK

Para realizar o teste de Tukey para comparar as medias dos níveis dos fatores em teste temos que usar ∆ A B
q q
QM Re s(a) JK

qα (I;n2) (J;n3)

QM Re s(b) IK

Para o teste de Duncan temos que usar Di A B
z z
QM Re s(a) JK QM Re s(b) IK

zα (nA;n2) (nB;n3)

Em que nA e nB são os números de médias ordenadas abrangidas pelo contraste sendo testados. As hipóteses para os testes Tukey e Duncan para comparar as médias dos níveis dos fatores são Fator A → H0 : mAi = mAu versus Ha : mAi ≠ mAu para i ≠ u = 1, 2, 3, ... , I Fator B → H0 : mBj = mBu versus Ha : mBj ≠ mBu para j ≠ u = 1, 2, 3, ... , J Para a aplicação do teste t temos que usar t
ˆ CA − CA

ttab

A

QM Re s(a) JK

∑a
i=1

I

2 i

tα (n2)

ˆ CB − CB

B

QM Re s(b) IK

∑b
j =1

J

2 i

tα (n3)

Em que CA = a1mA1 + a2mA2 + ... + aImAI CB = b1mB1 + b2mB2 + ... + bjmBJ

e

100

Neste caso as comparações entre os níveis de um fator levem em consideração o nível do outro fator.Re s(b ) Desdobramento para comparar os níveis de A dentro de cada nível de B. ou seja estudar A/B 101 . A estimativa do quadrado médio deste resíduo combinado é obtida por QM Re sComb = QM Re s(a) + (J − 1)QM Re s(b) J O número de graus de liberdade associado a esta estimativa é obtido pela fórmula dos graus de liberdade de Satterhwaitte (n*) dada por n* = [QMRe s(a) + (J − 1)QMRe s(b)]2 [QMRe s(a)]2 + [(J − 1)QMRe s(b)]2 g.4. pois o resultado significativo para a interação indica que o efeito de um fator depende do nível do outro fator.Re s(a ) g.l. não é recomendado realizar o teste F para cada fator isoladamente tal como foi apresentado para o caso da interação nãosignificativa. n2] Fα [(J -1). O procedimento recomendado é realizar o desdobramento do efeito da interação. Portanto.2 Interação significativa Este caso ocorre quando a hipótese H0 para a interação entre os fatores é rejeitada.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ Para a aplicação do teste Scheffé para testar os contrastes CA e CB temos que usar S A B S = (I − 1)Ftab S = (J − 1)Ftab Ftab QM Re s(a) JK ∑a i =1 J j=1 I 2 i Fα [(I -1). n3] QM Re s(b) IK ∑b 2 i As hipóteses para os testes de Scheffé e t para testar os contrastes são Fator A → H0 : CA = 0 versus Ha : CA ≠ 0 Fator B → H0 : CB = 0 versus Ha : CB ≠ 0 9. Este resultado implica que os efeitos dos fatores atuam de forma dependente. tal como apresentado nas tabelas a seguir. é necessário fazer uma combinação das duas estimativas obtidas para o erro experimental bem como do número de graus de liberdade associado as mesmas. Esta combinação é denominada de resíduo combinado (ResComb).l. Para realizar este desdobramento deve-se fazer uma nova análise de variância em que os níveis de um fator são comparados dentro de cada nível do outro fator. Para comparar os níveis de um fator principal em cada nível do fator secundário.

. para i=1.n3] [(J-1). .. para j=1...n*] . As estimativas das médias dos níveis dos fatores são obtidas por 102 .. 3.... [(J-1). QMB / AI QM Re s(b) Ftab... QMA / BJ QM Re sComb Ftab.. A/BJ ResCom b Total GL (I-1) (I-1) .n3] As hipóteses para testar as fontes de variação da tabela acima. SQA / BJ (I − 1) QMResCom b F QMA / B1 QM Re sComb QMA / B2 QM Re sComb . α [(I-1)...n3] ... J. são H0 : mA1/Bj = mA2/Bj = ..n*] [(I-1). 2...... (I-1) n* IJK .. α [(J-1).n*] As hipóteses para testar as fontes de variação da tabela acima. SQA/BJ QM SQA / B1 (I − 1) SQA / B2 (I − 1) .... . [(I-1). = mAI/Bj H a : não H 0 Desdobramento para comparar os níveis de B dentro de cada nível de A.. 2. procede-se ao teste F para cada fonte de variação do desdobramento.. 3.1 SQTotal SQ SQA/B1 SQA/B2 . I. SQB / AI (J − 1) QMRes(b ) F QMB / A1 QM Re s(b) QMB / A 2 QM Re s(b) ... = mBJ/Ai H a : não H 0 Em que as SQA/Bj e SQB/Ai podem ser obtidas usando a fórmula geral para a soma de quadrados dada por SQ = ∑ i=1 k X i2 − ri ⎛ ⎜ ⎜ ⎝ ∑ k i=1 k ⎞ Xi ⎟ ⎟ ⎠ i 2 ∑r i =1 Se os fatores forem qualitativos. B/AI Res(b ) Total GL (J-1) (J-1) . SQB/AI QM SQB / A1 (J − 1) SQB / A 2 (J − 1) ... Nas fontes de variação em que o teste F foi significativo e o fator tem mais de dois níveis... são H0 : mB1/Ai = mB2/Ai = . (J-1) n3 IJK . recomenda-se a aplicação de um teste de médias. ou seja estudar B/A FV B/A1 B/A2 .1 SQTotal SQ SQB/A1 SQB/A2 .Cap 9 – Experimentos em Parcelas Subdivididas ___________________________________________________________ FV A/B1 A/B2 ..

.. J e i = 1. 3. 3. I e j = 1. ..EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ A ˆ Fator A → m Ai = i ˆ Fator B → mBj = K Bj K Para realizar o teste de Tukey para comparar as médias dos níveis dos fatores em teste temos que usar ∆ A B q q QM Re sComb K QM Re s(b) K qα (I. . 2.n3) Em que nA e nB são os números de médias ordenadas abrangidas pelo contraste sendo testados.n3) Para o teste de Duncan temos que usar Di A B zi zi QM Re sComb K QM Re s(b) K zα (nA.. .n*) (nB. . I Para a aplicação do teste t temos que usar t ˆ CA − CA ttab A QM Re sComb K ˆ CB − CB ∑ i=1 2 j I a i2 tα (n*) B QM Re s(b) K ∑b j =1 J tα (n3) Em que 103 . . . J Fator B: H0 : mBj/Ai = mBu/Ai vs Ha : mBj/Ai ≠ mBu/Ai para j ≠ u = 1. .. 2.n*) (J. .... 2. 2. As hipóteses para os testes Tukey e Duncan para comparar as médias dos níveis dos fatores são Fator A: H0 : mAi/Bj = mAu/Bj vs Ha : mAi/Bj ≠ mAu/Bj para i ≠ u = 1.

. No entanto.. n3] ∑b j=1 As hipóteses para os testes de Scheffé e t para testar os contrastes são Fator A → H0 : CA = 0 versus Ha : CA ≠ 0 Fator B → H0 : CB = 0 versus Ha : CB ≠ 0 9.. em experimentos com parcelas subdivididas. 2. sempre que possível.. . Este desdobramento da variância residual faz com que o número de graus de liberdade associado a cada um dos resíduos seja menor do o associado ao resíduo se o experimento tivesse sido instalado segundo o esquema fatorial. + bjmBJ/Ai para i = 1. Por isso.. 104 . I Para a aplicação do teste Scheffé para testar os contrastes CA e CB temos que usar S A B S = (I − 1)Ftab S = (J − 1)Ftab Ftab QM Re sComb K QM Re s(b) K J ∑a i =1 2 j I 2 i Fα [(I -1). J e CB = b1mB1/Ai + b2mB2/Ai + ... Portanto. é preferível utilizar experimentos fatoriais em lugar dos experimentos em parcelas subdivididas. 2.. experimentos em parcelas subdivididas são mais fáceis de instalar. há uma tendência de se obter maior valor para a estimativa do erro experimental.. + aImAI/Bj para j = 1.Cap 9 – Experimentos em Parcelas Subdivididas ___________________________________________________________ CA = a1mA1/Bj + a2mA2/Bj + . Conseqüentemente.5.. n*] Fα [(J -1). . todos os efeitos são avaliados com menor precisão que nos experimentos fatoriais correspondentes. existe duas estimativas de variância residual: uma associada às parcelas e outra associada às subparcelas. Vantagens e desvantagens Em comparação com experimentos fatoriais.

8 Totais de Tratamentos B2 B3 202. quando necessário: Sementes B1 Testemunha B2 Ceresan M A1 Vicland 1 B3 Panogen B4 Agrox Totais de Parcelas B1 Testemunha B2 Ceresan M A2 Vicland 2 B3 Panogen B4 Agrox Totais de Parcelas B1 Testemunha B2 Ceresan M A3 Clinton B3 Panogen B4 Agrox Totais de Parcelas B1 Testemunha B2 Ceresan M A4 Branch B3 Panogen B4 Agrox Totais de Parcelas Totais de Blocos Variedades 1 42.6 69.6 743.8 253.0 199.9 267.5 44.3 63.8 62.8 (4) A1 A2 A3 A4 Totais (16) BLOCO 1 190.5 63.0 67.8 199.9 Totais Trat 144.7 230.8 (64) (4) A1 A2 A3 A4 Totais (16) B1 144.0 B4 149.4 44.6 267.8 4 30.3 58.6 213.8 40.7 245.4 64.2 35.3 57.4 190.3 Blocos 2 3 41.1 3379.7 41. pede-se. 1989).3 211.2 202.5 868.8 46.7 151.2 245. Com base nos resultados fornecidos a seguir.1 204.1 51.0 46.2 184.6 743.5 183.3 46.9 58.5 868.8 71.7 811.0 50.8 49.7 205.1.6 65.9 247.5 212.5 44.1 965.9 53.4 221. Na instalação do experimento.4 57.4 69.5 212.4 70.1 262.2 868.6 54.0 BLOCO 4 151.7 883.2 224.4 205.3 57.8 733. Exercícios 9.8 75.4 34.9 977.4 173.6 45.9 53.7 247.9 65.6 42.5 223.6 286.9 Totais (16) 679.3 854.3 195.1 3379.4 56.5 215.3 45.7 211.7 253.4 51.0 47. proceder a análise de variância e aplicar o teste Tukey.1 52.9 45.6 184.4 215.1 965. usando o nível de 5% de probabilidade.5 224.1 234.9 977.8 (64) 105 .2 203.1 209.8 262.5 183.3 39.8 28.7 141.8 41.3 68. Considere um experimento instalado segundo o DBC e no esquema em parcelas subdivididas no qual são comparadas 4 variedades de aveia e 4 tratamentos de sementes (3 produtos químicos + testemunha não tratada) quanto aos efeitos de produção.6 53.8 936.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ 9.8 733.8 69.4 149.8 64.2 217.1 62.6 50.4 221.2 854.6.1 204.6 253.6 234.8 286.4 217. as 4 variedades foram distribuídas ao acaso nas parcelas de cada um dos 4 blocos do experimento e os tratamentos de sementes foram distribuídos ao acaso nas 4 subparcelas de cada parcela (BANZATTO & KRONKA.3 854.6 59.6 Totais (16) 679.8 936.5 253.5 223.7 141.1 3379.6 56.4 65.1 52.7 230.3 51.4 173.4 45.6 213.5 51.2 679.7 58.4 209.3 203.7 50.6 28.0 977.2 850.0 835.3 Totais de Parcelas BLOCO 2 BLOCO 3 195.5 43.

1 106 . pede-se usando o nível de 5% de probabilidade.3 71.2 48.0 19.3 18.3 69.4 68.8 51.7 191.4 194.6 17. um pesquisador procedeu a coleta de 4 frutos.6 253.7 48.9 17.1 17.3 16.0 64.3 211.9 14.5 48.0 16.2 Totais Parc 70.2 16.8 Totais 210.8 47.2 48.4 69.7 51.1 Totais 210. Com base nos resultados (brix) fornecidos a seguir (GOMES.7 60.3 18.3 51.6 13.7 237.0 64.0 48.3 18.9 16.0 194.6 53.6 B4 Oeste 17.2 18.0 18.9 B2 Sul 17.0 44.8 196.0 61.3 16.8 68.3 211.4 251.9 48.4 51.5 15.9 237.8 15.6 15.7 65.8 15.3 A2 47.4 47.1 Totais de Tratamentos B1 B2 B3 B4 A1 53.0 18.6 68.8 66.2 13.0 44.8 16. proceder a análise de variância e o teste Duncan quando necessário.7 65.5 50.5 21.0 A3 51.3 16.7 16.5 16.1 66.2 Totais 210.3 16.5 51.3 14.9 15.0 194.8 196.9 48. Para se estudar o brix de mangas de acordo com a variedade e a posição dos frutos em relação aos pontos cardeais.8 68.7 60.7 72.3 1004.4 68.3 51.4 B3 Leste 17.5 17.4 47.8 67.6 15.9 51.2.9 261.9 47.8 53.0 16.5 64.3 1004.8 251.5 16.3 1004.9 15.6 68.9 Totais 261.2 64.9 253.3 15.2 A5 58.7 A1 A2 A3 A4 A5 Totais de Parcelas REP 1 REP 2 REP 3 70.3 71.9 44.1 15.9 18.5 15.3 51. cada um deles de um ponto cardeal.8 44.8 53. em cada um dos 3 exemplares de cada uma das 5 variedades em teste.5 64.2 15.9 14. Variedades A1 Carlota Totais Trat A2 Extrema Totais Trat A3 Oliveira Totais Trat A4 Bourbon Totais Trat A5 Imperial Totais Trat Totais B1 Norte 18.3 16.7 191.7 51.1 196.0 16.1 191.1 211.5 58.9 16.2 18.6 18.0 47.3 17.7 72.2 51.Cap 9 – Experimentos em Parcelas Subdivididas ___________________________________________________________ 9.1 18.2 14.8 16.8 1004.2 18.9 52.8 67.4 48.5 17. 1987).6 51.2 17.3 52.2 64.8 A4 50.1 61.2 16.0 17.7 17.

foram obtidos os seguintes resultados: FV Fator A Resíduo(a) (Parcelas) Fator B Interação A*B Resíduo(b) Total GL SQ 29.2 51.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ 9.8 51.58 QM F Totais de Tratamentos A1 A2 A3 A4 A5 Totais B1 53.9 253. Com base nos resultados fornecidos abaixo.60 20.9 51. Um pesquisador.7 237.3 211.8 44. Suponha que para um experimento instalado segundo o delineamento inteiramente casualizado e no esquema de parcelas subdivididas com 3 repetições.3 48. com o objetivo de verificar o efeito da dose de adubação fosfatada e o seu tipo de aplicação na cultura do milho.3 1004.3 51.9 48.2 Totais 210.5 44.8 50.8 196. 1991).7 48.0 47. proceder a análise de variância e ao teste Tukey quando necessário (FERREIRA.60 137. referentes a produção de milho (kg/ha).0 194.12 51.7 191. pede-se ao nível de 5% de probabilidade.8 251.0 58.4.3 47. Doses 0 Tipos de Aplicação cova sulco lanço Totais de Parcelas cova sulco lanço Totais de parcelas cova sulco lanço Totais de parcelas cova sulco lanço Totais de parcelas Totais de blocos I 3778 3467 3422 10667 3302 3653 3711 10666 2938 3800 2702 9440 3013 3338 3156 9507 40280 Blocos II 3618 4284 3760 11662 2671 2653 3284 8608 2813 4356 3520 10689 3787 3369 4369 11525 42484 III 2164 3773 2747 8684 2782 3529 2556 8867 2560 3560 3382 9502 3142 2507 2831 8480 35493 IV 3996 3280 2853 10129 2502 2258 3284 8044 3049 4013 3524 10586 3604 4200 4222 12026 40785 Totais de tratamentos 13556 14804 12782 11257 12093 12835 11360 15729 13128 13546 13414 14578 159082 40 80 120 9.9 B2 52.4 B3 53.9 51.6 B4 51.71 (45. instalou um experimento no qual cada uma as doses de adubação fosfatada constituíram as parcelas as quais foram distribuídas segundo o DBC e o tipo de aplicação as subparcelas.55 15.26) 20.2 48.1 107 .3.9 261.2 47.

7 72.7 51.0 A3 21.59 1405.3 211.4 146.8 38.5.8 76.4.1 F A1 A2 A3 A4 A5 Totais de Tratamentos B1 B2 B3 B4 A1 38. Os fatores A e B atuam independentemente? Justifique sua resposta. pede-se: 9. qual(is) o(s) nível(is) de B que devem ser recomendados? (Use o teste de Duncan.9 17.8 68.9 132. 9.9 14.3 584.7 25.0 74.8 27.2. pede-se: 9. 9. O valor do F calculado para o fator A.1 26.2 18.5.3.5. 108 . O(s) nível(is) de A que apresentou(aram) a(s) maior(es) média(s) usando o teste de Tukey.0 74.6 48.4.2 FV A Res(a) Parcelas B Interação A*B Res(b) Total GL Análise de Variância SQ QM 1297.2 24.3.8 Totais 150. O valor do F calculado para testar a interação entre os fatores A e B. O(s) nível(is) de B que apresentou(aram) a(s) maior(es) média(s) usando o teste de Tukey. 9.3 51.4 69.8 51.2 18. Se o objetivo é obter menores médias.8 76.0 14.1 21.Cap 9 – Experimentos em Parcelas Subdivididas ___________________________________________________________ Usando o nível de 5% de significância quando necessário. 9.3 37.4 28.95 20.2.6 148.5.4. Considere os resultados obtidos de um experimento instalado segundo o delineamento inteiramente casualizado no esquema de parcelas subdivididas e o nível de 5% de significância quando necessário: Totais de Parcelas Repetições 1 2 3 50.9 48.8 17.4.9 Totais 156.5 18.5.9 21.5.3 Totais 150.5 24.7 71.1. 9.3 36.3 A2 17.1.97 Com base nestas informações. 9.8 A4 20.0 24. se necessário).2 A5 58.7 71.7 20.7 21. Existe diferença entre os níveis de B pelo teste F da análise de variância? 9.3 211. O valor do F calculado para o fator B.5.

80 21. Dados: SQRes(b) = 26. indicando qual(is) nível(is) de B que apresenta(m) maior(es) média(s).60 12.1.26 Com base nas informações fornecidas.60 109 . 9.00 a 15.6.60 137.00 11.8 196.2 GL Totais 210. em que o fator A foi distribuído às parcelas e o fator B foi distribuído às subparcelas: Quadro de MÉDIAS de Tratamentos B1 B2 A1 23.3 52. quando necessário: Totais de Tratamentos B1 B2 B3 B4 53.0 44. Os fatores A e B atuam independentemente? Justifique a sua resposta.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ 9.6.3 1004.9 51.26) 20. pelo teste de Tukey e pelo teste F.9 237.0 194. com 3 repetições.40 B 17.2. proceda ao estudo do fator B. Considere os resultados obtidos de um experimento instalado segundo o delineamento inteiramente casualizado.7 51.0 51. pede-se: 9.58 SQTratamentos = 70.55 (45.60 22. Baseado no resultado do teste F para a interação.9 48. 9.2 48.60 13. não diferem entre si ao nível de 5% de probabilidade.8 47.70 A A2 14. no esquema de parcelas subdivididas e o nível de 5% de significância.9 47.7 191. com 5 repetições.8 50.3 51.6.9 261.60 b As médias seguidas por uma mesma letra maiúscula na linha.8 53.9 44.3 211.4 251.7. respectivamente.2 48. Num artigo científico foram apresentados os resultados abaixo referente a um experimento em parcelas subdivididas instalado segundo o delineamento em blocos casualizados.2 253.8 51. se necessário.7 51.8 B A3 13. ou por uma mesma letra minúscula na coluna.1 F A1 A2 A3 A4 A5 Totais FV A Res(a) (Parcelas) B AxB Res(b) Total Análise de Variância SQ QM 29.2 58.5 48.20 13.3 47. Use o teste de Tukey.

3 31.7. pede-se usando α = 5% : 9.8. onde o fator A foi casualizado nas parcelas e fator B casualizado nas subparcelas. Efetue o teste F para a interação AxB e proceda às comparações dos níveis dos fatores A e B pelo teste de Duncan. se necessário. se necessário.7.Cap 9 – Experimentos em Parcelas Subdivididas ___________________________________________________________ No entanto.9. 9.4 39.3 72. onde o fator A com três níveis foi casualizado nas parcelas e o fator B com dois níveis foi casualizado nas subparcelas.1. Não é necessário conferir os cálculos do autor. 9. 110 . o autor não menciona no seu artigo um teste para a interação entre os fatores A e B. Com base nas informações acima.4907. Considere um experimento em parcelas subdivididas no delineamento inteiramente casualizado com 4 repetições.9836 e SQTotal = 121. sendo dados: Totais de Tratamentos A1 A2 B1 20. Utilize α = 5%. Baseado no resultado do teste F obtido no item anterior.2.7 10. de acordo com o resultado de significância para a interação. os procedimentos adotado para comparar os níveis de A e os níveis de B estão corretos? Justifique a sua resposta. de acordo com o resultado de significância para a interação.7 B2 19. apenas discuta se o procedimento adotado é coerente com o resultado do teste F para a interação. Utilize α = 5%.6 30.3 18. 9.4 11.3 B3 32.0 50. Aplique o teste F para a interação entre os fatores A e B.3 SQParcelas = 55. são mostrados os dados de um experimento em blocos ao acaso com parcelas subdivididas. Fator A A1 A1 A2 A2 A3 A3 Fator B B1 B2 B1 B2 B1 B2 1 58 44 85 59 66 54 Blocos 2 3 77 38 59 30 90 73 68 45 93 67 75 53 4 52 34 77 55 64 48 Efetue o teste F para a interação AxB e proceda às comparações dos níveis dos fatores A e B pelo teste de Tukey.9 112. Abaixo.

Modelo selecionado deve ser coerente para representar em termos práticos. Escolha do modelo para equacionar o fenômeno em estudo Para tentar estabelecer uma equação que representa o fenômeno em estudo. consiste na obtenção de uma equação que tenta explicar a variação significativa de uma variável resposta em função da variação dos níveis de um ou mais fatores quantitativos. A técnica indicada neste caso é a análise de regressão. deve-se estudar o efeito do fator quantitativo pó r meio de uma relação funcional entre o mesmo e a variável resposta. Quando o fator é qualitativo.Modelo deve conter apenas as variáveis que são relevantes para explicar o fenômeno. não ser um fenômeno matemático e sim um fenômeno que está sujeito a influências de inúmeros fatores. Introdução Um fator em estudo num experimento pode ser classificado como qualitativo ou quantitativo. não vão se ajustar perfeitamente à curva do modelo matemático proposto. umidade. no todo. um fator quantitativo é aquele onde os níveis se diferem com relação a quantidade do fator. pode se apresentar de diversas maneiras: linear. Um dos métodos que se pode utilizar para obter a relação funcional. . Regressão 10. Um fator qualitativo é aquele onde os seus níveis diferem por algum atributo qualitativo. Em outras palavras. exponencial. uma distância entre os pontos do diagrama e aqueles obtidos quando a curva do modelo proposto é traçada. logarítmico. o objetivo da regressão é obter um modelo matemático que melhor se ajuste aos valores observados de Y em função da variação dos níveis da variável X. Como exemplos têm-se temperatura. Haverá na maioria dos pontos. A análise de regressão consiste na realização de uma análise estatística com o objetivo de verificar se a relação funcional estabelecida entre um fator quantitativo e uma variável resposta é significativa. se baseia na obtenção de uma equação estimada de tal forma que as distâncias entre os pontos do diagrama e os pontos da curva do modelo matemático. devido ao fato do fenômeno que está em estudo.2. concentração de um princípio ativo. sejam as menores possíveis. O modelo matemático que irá ser ajustado deve satisfazer as seguintes condições: . etc.. pode-se verificar que os pontos do diagrama de dispersão. O comportamento de Y em relação a X. . quadrático.1.. tipos de defensivos. Este método é denominado de Método dos Mínimos Quadrados (MMQ).EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ 10. quando o F for significativo.3. Em resumo por este método a soma de quadrados das 111 . o fenômeno em estudo. Assim. Contudo. Isto acontece. deve-se verificar qual tipo de curva e equação de um modelo matemático que mais se aproxime dos pontos plotados no diagrama de dispersão. deve-se proceder à análise de variância dos dados e às comparações entre médias dos níveis do fator usando algum dos procedimentos para comparações múltiplas. métodos de conduzir uma determinada tarefa. 10. pH. Por outro lado. Método para obter a equação estimada Como foi dito anteriormente. cúbico. Como exemplos têm-se variedades. níveis de insumo. pode-se plotar um diagrama de dispersão para verificar como se comportam os valores da variável resposta (Y) em função da variação dos níveis do fator quantitativo (X). Para se estabelecer o modelo para explicar o fenômeno. os pontos do diagrama de dispersão ficam um pouco distantes da curva do modelo matemático escolhido. etc. Para o caso de um fator quantitativo. 10. etc.

X i é o i-ésimo nível da variável independente X (i = 12. que minimizem o valor obtido na expressão anterior. Portanto.n) . e igualar a derivada resultante ao valor zero. uma relação funcional entre X e Y. Representa o intercepto da reta com o eixo dos Y. Representa a variação de Y em função da variação de uma unidade da variável X. Sabemos do Cálculo que para se encontrar o mínimo de uma equação deve-se derivar a equação em relação à variável de interesse. para o mesmo nível i de X. é possível alcançar a minimização da soma de quadrados dos erros. tem-se que: e i = Yi − β 0 − β 1 X i elevando ambos os membros da equação ao quadrado.Cap 10 – Regressão ____________________________________________________________________ distâncias entre os pontos do diagrama e os respectivos pontos na curva da equação estimada é minimizada. β 0 é a constante de regressão. obtém-se: ⎧ n 2 ⎪ ∂ ei ⎪ i=1 =0 ⎪ ∂β 0 ⎪ ⎨ n ⎪ 2 ⎪ ∂ ei ⎪ i=1 =0 ⎪ ∂β1 ⎩ ∑ ⇒ 2 ˆ ∑ (Y − β n i i=1 0 ˆ − β1X i (− 1) = 0 ) ) ⇒ ˆ ∑ (Y − β n i i=1 0 ˆ − β1 X i = 0 ) ∑ ⇒ 2 ˆ ∑ (Y − β n i i=1 0 ˆ − β1X i (− X i ) = 0 ⇒ ⇒ ⇒ ˆ ∑ (Y − β n i i=1 0 ˆ − β 1 X i (X i ) = 0 ) n n ⎧ n ˆ ˆ β0 − β1 X i = 0 ⎪ Yi − ⎪ i=1 i=1 i=1 ⎨ n n n ⎪ ˆ ˆ Yi X i − β0 Xi − β1X i2 = 0 ⎪ i=1 i=1 ⎩ i=1 ∑ ∑ ∑ ∑ ∑ i=1 n n ˆ ˆ Yi − nβ 0 − β1 ˆ Yi X i − β 0 ∑X i=1 n i =0 ∑ ∑ ∑ i=1 ∑ i=1 n ˆ X i − β1 ∑X i=1 n 2 i =0 112 .K. Modelo linear de 1º grau O modelo estatístico para esta situação seria: Yi = β 0 + β 1 X i + e i em que Yi é o valor observado para a variável dependente Y no i-ésimo nível da variável independente X. do modelo proposto.3. desta forma. para o modelo escolhido. 2 e i2 = [Yi − β 0 − β 1 X i ] aplicando o somatório. e . e i é o erro que está associado à distância entre o valor observado Yi e o correspondente ponto na curva. derivando a expressão (1) em relação a β 0 e β 1 e igualando-as a zero. Para se obter a equação estimada. 10. vamos utilizar o MMQ.1. β 1 é o coeficiente de regressão. obtendo-se. Assim. com um mínimo de erro possível. visando a minimização dos erros. ∑ e i2 = ∑ [Yi − β 0 − β1 X i ] i =1 i =1 n n 2 (1) Por meio da obtenção de estimadores de β 0 e β 1 .

3. β 1 é o coeficiente de regressão. que permite a obtenção de estimativas de β0 e β1 . Portanto a simples obtenção da equação estimada não responde ao pesquisador se a variação da variável independente influencia significativamente na variação da variável dependente.K.n) . β 2 é o coeficiente de regressão.2. é necessário realizar um teste estatístico para as estimativas dos coeficientes da equação de regressão estimada. elevado ao quadrado. Um teste que pode 113 . chegar-se-á ao seguinte sistema de equações normais. e i é o erro que está associado à distância entre o valor observado Yi e o correspondente ponto na curva para o mesmo nível i de X. Modelo linear de 2º grau O modelo estatístico para esta situação seria: Yi = β 0 + β 1 X i + β 2 X i2 + e i em que. entre a variável dependente e a variável independente. Utilizando o MMQ. Yi é o valor observado para a variável dependente Y no i-ésimo nível da variável independente X. X i2 é o i-ésimo nível da variável independente X. Para se responder a esta pergunta. .EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ n ⎧ n ˆ ˆ Yi = nβ 0 + β1 Xi ⎪ ⎪ i=1 i=1 ⎨ n n n ⎪ ˆ ˆ Yi X i = β 0 X i + β1 X i2 ⎪ i=1 i=1 ⎩ i=1 ∑ ∑ ∑ ∑ ∑ Este é o sistema de equações normais. para se obter as estimativas de β 0 . no modelo de 2º grau. Análise de variância da regressão A equação estimada obtida. podemos escrever a equação estimada: ˆ ˆ ˆ Yi = β 0 + β 1 X i 10. β 0 é a constante de regressão. X i é o i-ésimo nível da variável independente X (i = 12. β1 e β 2 : n n ⎧n ˆ ˆ ˆ Yi = nβ 0 + β 1 ∑ X i + β 2 ∑ X i2 ⎪∑ i =1 i =1 ⎪ i=1 n n n n ⎪ 2 3 ˆ ˆ ˆ ⎨∑ Yi X i = β 0 ∑ X i + β 1 ∑ X i + β 2 ∑ X i i =1 i =1 i =1 ⎪ i=1 n n n ⎪n 2 2 3 4 ˆ ˆ ˆ ⎪∑ Yi X i = β 0 ∑ X i + β 1 ∑ X i + β 2 ∑ X i i =1 i =1 i =1 ⎩ i=1 Uma vez obtidas estas estimativas. apenas estabelece uma relação funcional. Uma vez obtidas estas estimativas.4. para representar o fenômeno em estudo. que minimizam a soma de quadrados dos erros. podemos escrever a equação estimada: ˆ ˆ ˆ ˆ Yi = β 0 + β 1 X i + β 2 X i2 10.

10. As fórmulas para a obtenção das somas de quadrados total e da soma de quadrados do independente da regressão são as mesmas. tanto para o modelo linear de 1o grau quanto para o de 2o grau.SQRegressão Já a soma de quadrados para a regressão varia de acordo com o modelo em teste. = β p = 0 . A única estimativa da variância residual é aquela dada pela falta de ajuste dos valores observados ao modelo ajustado.. em função do modelo proposto. 114 .Cap 10 – Regressão ____________________________________________________________________ ser realizado para verificar tal fato é o teste F da análise de variância.. segundo o modelo proposto.1. p = no de coeficientes de regressão (não inclui o β 0 ) n = no de observações. Apenas um único valor observado para cada nível da variável independente Nesta situação não existe repetição. o que significa dizer que pelo menos uma das p variáveis independentes exerce influência na variável dependente. é necessário realizar uma análise de variância dos dados observados. Portanto. Contudo.4. para pelo menos um i. H a : β i ≠ 0 . a estratégia da análise de variância depende se houve ou não repetições no experimento.n-1-p) em que. 1º grau 2º grau ˆ SQ Re gressão = β 0 ∑ i=1 n ˆ Yi + β1 ∑ i=1 n ⎛ ⎜ ⎜ Yi X i − ⎝ ∑ ⎞ Yi ⎟ ⎟ i=1 ⎠ n n 2 ˆ SQ Re gressão = β 0 ∑ i=1 n ˆ Yi + β1 ∑ i=1 n ˆ Yi X i + β 2 ∑ i=1 n ⎛ ⎜ ⎜ 2 Yi X i − ⎝ ∑ ⎞ Yi ⎟ ⎟ i=1 ⎠ n n 2 As hipóteses estatísticas para o teste F são as seguintes: H 0 : β 1 = β 2 = . o que significa dizer que as p variáveis independentes não exercem influência na variável dependente. α (p. O quadro para a análise de variância para a regressão para esta situação é do seguinte tipo: FV Regressão Independente da Regressão Total GL p n-1-p n-1 SQ SQReg SQInd SQTotal QM SQ Re g p SQInd n − 1− p F QM Re g QMInd Ftab. segundo o modelo proposto. as quais são dadas a seguir: SQTotal = ∑ i=1 n ⎛ ⎜ ⎜ Yi2 − ⎝ ∑ ⎞ Yi ⎟ ⎟ i=1 ⎠ n n 2 SQInd = SQTotal .

Mais de um valor observado para cada nível da variável independente Nesta situação. Assim é possível obter uma estimativa da variância residual tal como aquela obtida em modelos de delineamento.2. ou seja: Ftab = Fα (p.n − 1 − p ) . Normalmente o que se faz numa situação como esta é inicialmente proceder a uma análise de variância usual considerando o efeito do fator quantitativo como se fosse a fonte de variação tratamentos numa análise de variância usual. deve ser comparado.4. existe mais de um valor observado para cada nível da variável independente. o efeito de tratamentos é desdobrado nos efeitos associado a um ajuste de um modelo de regressão e também a falta de ajuste deste modelo. . α [p. o qual se obtém na tabela da distribuição F de acordo com o nível de significância do teste. o que não é possível quando se tem uma única observação para cada nível da variável independente. e o número de graus de liberdade para a regressão e independente da regressão.EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ O valor de F da análise de variância. indica que o modelo ajustado não é apropriado e um novo modelo que se ajuste melhor aos dados deve ser testado. a falta de ajustamento for não-significativa indica que o modelo adotado se ajusta bem aos dados. Se o teste F para a falta de ajustamento for significativo. Isto é realizado para que se quantifique a variância residual. I(K – 1)] [I – 1 – p.Se F < Ftab ⇒ Não rejeita-se H0 ao nível de significância que foi realizado o teste. FV Regressão Falta de Ajustamento (Tratamentos) Resíduo Total GL p I –1 – p I–1 I(K – 1) IK – 1 SQ SQReg SQFalta SQTrat SQRes SQTotal QM SQ Re g p SQFalta I−1 SQ Re s I(J − 1) - F QM Re g QM Re s QMFalta QM Re s - Ftab. A regra decisória para o teste F é: . Se por outro lado. Posteriormente. com o valor de F tabelado (Ftab ) . 10. I(K – 1)] - O teste F para a falta de ajustamento é realizado para verificar se o modelo adotado está se ajustando bem aos dados. Pressupõe-se também que se está testando um modelo de regressão com p coeficientes de regressão. A escolha do modelo de regressão a ser ajustado é aquele que mais se aproxima dos pontos médios observados para cada nível da variável independente. 115 . Conseqüentemente faz sentido analisar o teste F para a fonte de variação regressão para saber se a variável independente tem influência significativa sobre a variável dependente. Podese inferir que a variável independente influência significativamente a variável dependente Y. O total de observações neste experimento é igual a N=IK.Se F ≥ Ftab ⇒ Rejeita-se H0 ao nível de significância que foi realizado o teste. Pode-se inferir que a variável independente não influência significativamente a variável dependente Y. para uma situação geral em que se está testando I níveis da variável independente em um experimento instalado segundo o delineamento inteiramente casualizado com K repetições. O quadro abaixo resume o que acabou de ser descrito.

Cap 10 – Regressão ____________________________________________________________________ No caso de falta de ajustamento significativa não faz sentido realizar o teste para a regressão. pois o modelo de regressão não se ajustou significativamente aos dados. Utilize o modelo linear de 1º grau e o nível de 5% de significância. se a temperatura tem influência significativa sobre o comprimento de uma barra de aço. o R 2 é obtido por : SQ Re g R2 = SQTotal Já para o caso em que se tem mais de um valor observado para cada nível da variável independente. Para verificar se existe uma relação linear de 1º grau entre Umidade Relativa (UR) do ar da secagem de sementes e a germinação das mesmas. Para o caso em que se tem uma única observação para cada nível da variável independente . Se F < Ftab ⇒ Não rejeita-se H0 ao nível de significância que foi realizado o teste. Exercícios 10. Valores próximos de 1 indicam que o modelo proposto é adequado para descrever o fenômeno.5. obtendo-se os seguintes valores amostrais: 116 . Não há necessidade de se testar um novo modelo. O modelo adotado não se ajusta bem aos dados. As hipóteses para a falta de ajustamento são: H0: a falta de ajustamento não é significativa Ha: a falta de ajustamento é significativa O valor tabelado de F para a falta de ajustamento é encontrado usando Ftab = Fα (p. O teste F para a regressão é idêntico ao caso anterior. com apenas uma observação para cada nível da variável independente. um pesquisador realizou um teste com 4 diferentes valores para a % de UR do ar que atravessava as sementes armazenadas. Temperatura (ºC) Comprimento (mm) 10 1003 15 1005 20 1010 25 1011 30 1014 10.2. Verificar. 10. O modelo adotado se ajusta bem aos dados.1. o valor de R 2 é obtido por: SQ Re g R2 = SQTrat 2 O valor de R varia no intervalo de 0 a 1. 10. para verificar se o modelo proposto é adequado ou não para descrever o fenômeno. Um novo modelo deve ser testado. ou seja. Coeficiente de determinação (R2) O coeficiente de determinação fornece uma informação auxiliar ao resultado da análise de variância da regressão. I − 1 − p ) A regra decisória para o teste F para a falta de ajustamento é: Se F ≥ Ftab ⇒ Rejeita-se H0 ao nível de significância que foi realizado o teste. utilizando os dados amostrais fornecidos abaixo. Procede-se ao teste F para regressão.6.

EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ UR (%) Germinação (%) 20 94 30 96 40 95 50 97

Ao nível de 5% de probabilidade, qual seria a conclusão do pesquisador? Qual seria a equação estimada? 10.3. Para o seguinte conjunto de valores de X (variável independente) e Y (variável dependente), faça a análise de regressão segundo o modelo linear de 1º grau e obtenha a equação de regressão estimada. Use o nível de significância de 5%. X Y 2 10,3 4 18,2 6 25,1 8 35,6 10 43,0 12 50,0 14 59,1 16 67,8 18 75,2 20 85,0

10.4. De acordo com os dados fornecidos abaixo para a variável X (dose do micronutriente Zn em ppm) e a variável Y (matéria seca em g/planta), verifique, usando o nível de 5% de probabilidade e o modelo linear de 2º grau, se a relação entre as variáveis X (independente) e Y (dependente) é significativa. X Y 1,0 20,3 2,5 31,3 4,0 34,6 5,5 35,1 7,0 30,2 8,5 19,7

10.5. O modelo linear abaixo foi proposto para explicar a relação entre a quantidade de ração fornecida e produção de leite por cabras: Yi = a + bX i + e i Pede-se por meio dos dados abaixo, verificar se a ração influencia significativamente a produção de leite (α = 5%) : Níveis de Ração (g) Produção de leite (l/dia) 50 1,2 75 1,7 100 2,0 125 2,1 150 2,5

10.6. Para o modelo ajustado e dados fornecidos abaixo: ˆ Y = 140,7835 + 0,2737 X − 0,000783 X2 SQIndependente da Regressão = 68,1691

∑ Yi = 1094,800 ∑ Yi X i = 166942,500
i =1 i =1 7

7

∑Y
i =1 7

7

2

i

= 171712,384
i 2 i

∑YX
i =1

= 35986875,000

Proceder a análise de variância da regressão e concluir (α = 5%)

117

Cap 10 – Regressão ____________________________________________________________________ 10.7. Para se avaliar o efeito de diferentes dosagens de um micronutriente no desenvolvimento de duas espécies vegetais, foi realizado em experimento fatorial 4x2 no D.B.C. com 5 repetições. Após a coleta e tabulação dos dados (em produção de matéria verde por determinada unidade de área) foi montado o seguinte quadro de totais de tratamentos: Dose 1 Dose 2 Dose 3 Dose 4 60 52 60 90 262 56 50 40 40 186 116 102 100 130 448 A análise de variância dos dados no computador forneceu o seguinte quadro (incompleto) da ANOVA: Espécie 1 Espécie 2 F.V. Fator A Fator B Int. AxB (Trat.) Blocos Resíduo Total G.L. 1 3 S.Q. 58,2 ---------------Q.M.

49,20

10,00

Com base nos dados apresentados acima, pede-se: (obs.: use α = 5%): a) Obtenha a soma de quadrados para o fator A. Apresente os cálculos. b) Os fatores em estudo atuam independentemente na variável em análise? JUSTIFIQUE. c) Qual espécie deveria ser usada de modo a termos uma maior produção de massa verde, quando for usada a dose 3 do micronutriente? JUSTIFIQUE. d) Como deveríamos continuar a análise caso fosse de nosso interesse determinar a melhor dose do micronutriente? Descreva a estratégia de análise de maneira resumida, apresentando a seqüência dos procedimentos a serem realizados juntamente com algumas discussões, mas sem precisar fazer nenhum tipo de cálculo

118

EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ 10.8. Suponha que um colega seu tenha usado um programa de computador para realizar a análise de regressão de um experimento no DIC com 4 repetições, no qual foi avaliado o efeito de 5 níveis de adubo na produção de soja. O orientador desse seu colega pediu que ele testasse três modelos. Como seu colega "matou" todas as aulas de estatística, ele foi pedir sua ajuda para a escolha do melhor modelo a partir dos dados abaixo, referentes à análise de cada modelo. Baseado no quadro fornecido abaixo, pede-se escolher o melhor modelo. Explique, para cada modelo, a razão dele ter sido selecionado ou eliminado. Use α = 5%. MODELO 1 F.V. Regressão Falta de Ajust. (Tratamento) Resíduo Total MODELO 2 F.V. Regressão Falta de Ajust. (Tratamento) Resíduo Total MODELO 3 F.V. Regressão Falta de Ajust. (Tratamento) Resíduo Total G.L. 3 1 (4) 15 19 S.Q. 76 20 96 75 Q.M. 25,3 20 5 G.L. 2 2 (4) 15 19 S.Q. 66 30 96 75 Q.M. 33 15 5 G.L. 1 3 (4) 15 19 S.Q. 36 60 96 75 171 Q.M. 36 20 5

O gráfico de dispersão dos valores médios de produção em função das doses de adubo obtido pelo seu colega foi
Gráfico de Dispersão
Produção (kg/unid) 25 20 15 10 5 0 0 20 40 60 Dose (kg/ha)

Baseado nas informações fornecidas acima, pede-se escolher o melhor modelo. Explique, para cada modelo, a razão dele ter sido selecionado ou eliminado. Use α = 5%. 119

Cap 10 – Regressão ____________________________________________________________________ 10.9. Com o objetivo de estudar o efeito da temperatura no ganho de peso de determinada espécie de animal de pequeno porte, foi realizado um estudo em que alguns animais foram submetidos a diferentes temperaturas no local em que eram confinados. Com base nos dados de ganho de peso, obtidos depois de determinado período, ajustouse a seguinte equação de regressão: ˆ Y = −6,89 + 0,93 X − 0,02 X2 Considerando que a análise de variância da regressão resultou em F significativo para regressão, pede-se: a) Qual seria o ganho de peso (em quilos) esperado, se fosse mantida constante, no local de confinamento do animal em questão, a temperatura de 23 oC? b) Qual seria a temperatura a ser usada para que fosse obtido o máximo de ganho de peso? 10.10. Suponha que tenha sido realizada uma pesquisa a respeito da influência do tempo de estudo na nota da prova de determinada disciplina. Os dados obtidos com respeito a cinco alunos aleatoriamente entrevistados são dados abaixo: Xi = Tempo de estudo (em horas) Y = Nota obtida (em 10) 2 3
i i

3 5

4 6
2 i

5 8

6 9

∑X

i

= 20

∑X

2 i

= 90

∑Y

i

= 31

∑X Y

= 139

∑Y

= 215

Pede-se: a) Ajuste um modelo de regressão linear de 1o grau para tentar explicar a variação na nota do aluno em função do tempo de estudo. OBS.: Indique a resolução, inclusive apresentando o sistema de equações normais. b) Poderíamos dizer que o tempo de estudo influencia significativamente a nota obtida? (use α = 5%). ˆ ˆ 10.11. Com os dados relativos à equação de regressão Y = a − 10,38 X + 1,08 X 2 , obter i 0 i i a ANOVA da regressão e concluir para α = 5% . DADOS:

∑ Yi = 120,43
i =1 20

20

∑ X i Yi = 340,87
i =1

20

∑X
i =1

20

2 i

Yi = 4238,684

∑ Yi2 = 18375,38
i =1

∑ X i = 256,5
i =1

20

∑X
i =1

20

2 i

= 346,48

10.12. Obter a equação de regressão para o modelo Y = a + a X + a X2 +e e concluir 0 1 2 para α = 1% . X Y -4 1,2 -3 10,1 -2 13,2 -1 14,3 1 14,1 2 12,7 3 8,5 4 0,3

120

EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ 10.13. Fazer a análise de variância da regressão, concluindo para α = 1% , dados : ˆ Z = −10,40 + 15,46 W , i = 1 2,3,...,15 , i 2 ∑ Z = 69,80 ∑ Z = 2,3 ∑ W = 1,46 ∑ W Z = 1,92 i i i i i 10.14. Suponha que um biólogo realizou um experimento no DIC com 3 repetições, para comparar o efeito de 5 dosagens (Xi, em mg) de uma droga farmacêutica desenvolvida para aumentar o tempo de sono (Yi, em horas). A análise dos dados oriundos deste experimento produziu as seguintes informações:
Xi Yi

3

1 4

8

5

2 9

13

8

3 10

12

9

4 13

17

12

5 11

16

Usando o nível de 5% de significância, pede-se: 10.14.1. Proceda ao teste para a falta de ajustamento e conclua se o modelo de regressão linear de 1o grau é apropriado para descrever o tempo de sono em função da dosagem de sonífero. 10.14.2. O valor estimado para β1 é estatisticamente diferente de zero? Justifique a sua resposta. 10.14.3. De acordo com a equação de regressão estimada, qual seria o tempo de sono dos ratos se uma dosagem de 17 mg fosse usada? 10.15. Foi realizada uma pesquisa para estudar o efeito de determinado medicamento usado no controle de peso de cavalos de corrida. Seis doses do medicamento foram ministradas a seis animais. A perda de peso obtida para estes animais, bem como a dose do medicamento ministrada a cada um deles é fornecida na tabela a seguir: Dose (mg) Perda de Peso (kg) 20 1,0 25 4,5 30 6,0 35 7,5 40 5,8 45 4,3

Suponha que o pesquisador decida usar o seguinte modelo linear de segundo grau: Yi = β 0 + β 1 X i + β 2 X i2 + ε i

∑ Y = 29,1
i i =1 n

n

∑ YX
i i =1 n

n

i

= 1000,50

∑ YX
i i =1 n i =1

n

2 i

= 35787,50 = 248625

∑X
i =1

i

= 195

∑X
i =1

2 i

= 6775

∑X

3 i

∑X
i =1

n

4 i

= 9521875

Com base nas informações fornecidas, pede-se: 10.15.1 A estimativa do intercepto (ou seja, constante da regressão) ˆ ˆ 10.15.2. As estimativas dos coeficientes de regressão, β1 e β 2 10.15.3 A dose que proporciona o máximo de perda de peso 10.15.4. O valor do F da análise de variância da regressão calculado para testar se existe efeito do medicamento sobre a perda de peso, segundo o modelo proposto. 10.16. Um experimento foi instalado segundo o delineamento inteiramente casualizado para verificar se existe efeito significativo do fator quantitativo X sobre uma variável

121

17. foram: ˆ Yi = −1. usando o nível de 5% de significância quando necessário.09564X i2 Dosagem (mg) Perda de peso (kg) 2 5 2 i GL SQ 76.66174X i − 0. Cada dosagem foi testada em um único indivíduo.60 126.1. para verificar se o efeito da mesma era capaz de reduzir o peso em seres humanos. Suponha que em uma pesquisa. pede-se: 10.16. Qual seria a perda de peso esperada se a dosagem de 35 mg fosse utilizada? 122 .87 10 15 i i 4 8 6 10 8 13 12 17 14 20 10 16 18 18 15 2 i 20 13 ∑Y i =1 10 i =1 10 i = 134 ∑Y i =1 10 i =1 10 = 1990 ∑YX i =1 10 i =1 10 = 1658 ∑YX i i =1 = 23876 = 405328 ∑ X i = 110 ∑ X i2 = 1540 ∑ X i3 = 24200 ∑X i =1 10 4 i Com base nas informações fornecidas acima e. O valor do F calculado para a regressão 10.2. É possível concluir que o uso da droga resulta em uma perda de peso significativa? 10.15000 + 2.05 QM F (4) 101. O valor do F calculado para a falta de ajustamento 10. 10 dosagens de uma droga foram ministradas a um grupo de 10 indivíduos.2. O modelo linear de 2o grau ajustado.3.1.17. Qual a dosagem da droga que proporciona maior perda de peso? 10.17. a SQResíduo. Suponha que foram utilizadas 2 repetições e que são fornecidas as seguintes informações: Modelo adotado: Yi = β o + β1X i + εi FV Regressão Falta de Ajustamento (Tratamentos) Resíduo Total Pede-se: 10.16.17. as dosagens testadas e as respectivas perdas de peso observadas e alguns somatórios relacionados.10 SQRegressão=179.Cap 10 – Regressão ____________________________________________________________________ dependente Y.

19. mostrou que o modelo linear de 1o grau era indicado para estudar o fenômeno. A fórmula básica é aquela que contém todos os ingredientes da bebida Láctea. Um gráfico de dispersão da dosagem versus pH.18.3720) 25.18. Após a mistura do suco de laranja às amostras. qual é a dosagem estimada que proporciona o maior peso final de pães? 123 . É possível concluir que as dosagens do fermento influenciaram no peso final dos pães? 10.19. Com base nos dados.63 − 0.1520 QM F F5% ˆ Equação da regressão ajustada: Yi = 7. 45. Suponha que um pesquisador. 20.45 X i2 SQTotal = 310. Ao final.08X i Com base nas informações fornecidas acima e usando o nível de 5% de significância. resolveu testar 10 dosagens de suco natural (10. Um padeiro resolveu testar 10 diferentes dosagens de um determinado tipo de fermento para verificar se o mesmo influenciava o peso final dos pães. 15. Como o lote era completamente homogêneo. dividiu o lote em 30 amostras. A dosagem do suco de laranja tem efeito significativo na acidez da bebida Láctea? 10. Para tanto preparou um lote da fórmula básica da bebida Láctea.2.2.19.1.93 + 6. Quanto se espera que varie o pH da bebida Láctea em função da variação de 1 ml de suco de laranja? 10. Os resultados obtidos foram: ˆ Yi = 1. exceto o suco de laranja. 35.18. De acordo com a equação de regressão ajustada. 30. tendo como objetivo desenvolver uma bebida Láctea com sabor natural de laranja e temendo que o uso do suco natural resultasse em elevada acidez. Procedeu-se então a distribuição inteiramente ao acaso das dosagens de suco de laranja às amostras. pede-se: OBSERVAÇÃO: UTILIZAR QUATRO DECIMAIS NOS CÁLCULOS 10.3.7692 (24. as seguintes informações foram obtidas: Quadro da ANOVA da Regressão FV Regressão Falta de Ajustamento (Tratamentos) Resíduo Total GL SQ 23. 50 e 55 ml) com relação ao ph da bebida Láctea. o pH da bebida Láctea foi medido.18. cada dosagem foi designada a 3 amostras. usando o nível de 5% de significância quando necessário.1. 40. 25. pede-se: 10.40 ∑Y i =1 10 i =1 10 i = 194 ∑Y i =1 10 i =1 10 2 i = 4074 ∑YX i =1 i 10 i =1 10 i = 1179 ∑YX i =1 i 10 2 i = 8461 = 25333 ∑ X i = 55 ∑ X i2 = 385 ∑ X i3 = 3025 ∑X i =1 10 4 i Com base nas informações fornecidas acima e.EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ 10. O modelo ajustado é adequado para descrever o fenômeno? 10.36 X i − 0.

20.83 X i SQTotal = 1933.71 SQRegressão=1905.1. Uma droga desenvolvida para o controle do nível de açúcar (Y) foi testada em as doses 20.20. 40. Os resultados apresentados abaixo foram publicados em uma revista científica: ˆ Yi = 286.75 Com base nestas informações.20. 50. A droga tem influência significativa sobre o teor de glicose? 10. 60. Qual é a estimativa do teor de glicose no sangue quando se usa a dose de 90 mg? 124 .Cap 10 – Regressão ____________________________________________________________________ 10. pede-se: 10.2. 70 e 80 mg (X).32 + 0. 30.

125 . Respostas dos Exercícios Pedimos aos estudantes que reportem erros nas respostas para o professor de sua turma. A sua colaboração é muito importante.br). ou então para o professor Nerilson Terra Santos (nsantos@ufv.EST 220 – Estatística Experimental 11. Obrigado. por exemplo. a sua resposta e a de seus colegas para um determinado exercício não confere com o que está nesta seção. Favor reportar apenas erros nas respostas que você tiver certeza.

00 1.73 1. t = -3. t = -3.73 d 2 s c = 65. t = 4.94 2 s c = 41.20.25 s 2 = 0.62 1.82 s 2 = 2.2 (c) 1.10 t5% (7) = 1.62 d 2 s c = 0.24.12.76 t5% (8) = 1.00 s 2 = 75. t = -3.45 2 s c = 2.86 t1% (14) = 2.68 F(1%) (5.21 1. t = 1.44 d 2 s c = 18.3. (c) 1.62 t5% (9) = 1.7. t = 2.11. t = 1.4. t = -0.90 F = 2. s 2 = 18.1.05 1.22.37 5.66 1.9) = F5% (5. t = 9.04 t5% (5) = 2.53 1.0478 s 2 = 47.21.61 1.82 2 s c = 2.9. t = 1.55 t = -6.02 s 2 = 7. t = 1. t = -19.07 1.1. 1.97 t5% (8) = 1. 1.17. t = 11. t = 8.5) = 10.41 d 2 s c = 18.29 1.29.60 t5% (5) = 2.87 1.25 1.22. t = -2.83 s 2 = 3.5) = t(5%)(12) = 1.2.02 t5% (8) = 1.19 t5% (6) = t5% (4) = F5% (6.65 t(5%)(9) = 1. t = 14. t = 3.45 1.86 2 s c = 6.86 d t1% (14) = 2.86 t5% (8) = 1.34 1.26.57 s 2 = 0.22.86 t1% (12) = 2.26 t1% (4) = 4.05 1.22.27.3 (c) 2 t1% (14) = 2.28.83 t5% (14) = 1.89 1.30. t = -3. t = -2.10 t5% (5) = 2.8.7 . t = -7. 1.14 s c = 295.13. 1.5.24 1.90 126 .54 2 s c = 11.10 1.6.82 1.25 1. 1.84 1.90 t5% (10) = 1.06 1.25 t5% (18) = 2. t = 5.18.82 F = 1.10.14.46 d 2 s c = 8.13 3. t = 0.78 2 s c = 20.81 t1% (13) = 3.62 t5% (9) = 1. t = -1.19.Cap 11 – Respostas dos Exercícios Capítulo 1 1. F= 5.11 1.16.06 d 1.25.23.83 t5% (18) = 2.57 s 2 = 25 s 2 = 5.32 t = 1.01 t10% (8) = 1. Marca A.15.81 t5% (9) = 3.54 1. t = 1.39 1.94 2.

7m3 C4 = m1 . ˆ C1 = −12.1.8. ˆ ˆ ˆ C 3 = -8.2. a) C 3 = m1 − m 3 b) 15. C1 = m1 + m2 + m3 – 3m4 C2 = 2m1 – m2 – m3 C3 = m2 – m3 2.54 V( C ) = 0.0 ˆ C = 1.m2 2.3 ˆ ˆ ˆ b) V ( C ) = 0.3 ˆ C 2 = 0.6. Não são ortogonais 2.0 3 ˆ ˆ V C1 = 0.2025 3 ( ) ( ) ( ) 2. São ortogonais 2.5. Não são ortogonais 2. Um dos possíveis grupos de contrastes ortogonais que podem ser formados é C1 = 3m1 + 4m2 + 4m3 + 3m4 – 14m5 C2 = 3m1 + 4m2 + 4m3 – 11m4 C3 = 3m1 + 4m2 .1 a) C1 =6.7 ˆ C = −11.15 ˆ ˆ V C = 0.9450 1 2 3 c) os contrastes são ortogonais 2.EST 220 – Estatística Experimental Capítulo 2 2. ˆ C1 = −9.m2 2.6 3 2.18 V ( C )=0.10.4.3.3525 ˆ ˆ V C 2 = 0.7.2m3 C4 = m1 . Um dos possíveis grupos de contrastes ortogonais que podem ser formados é C1 = m1 + m2 + m3 + m4 – 4m5 C2 = m1 + m2 + m3 – 3m4 C3 = m1 + m2 .375 c) 0 127 .9.4 C 2 = -17.4 ˆ C 2 = −3.

Cap 11 – Respostas dos Exercícios 2.1 C = m1 + m2 .20.17. C=m1 + m2 – 3m3 + m4 2.2 a) 19 b) 35. e 3.4.21.21. C 3 = 13 2. 2. C = 55 . C3 = 3m1 – m2 + 3m3 – 5m4 2. É necessário aplicar um teste de hipóteses para verificar se a estimativa encontrada é estatisticamente igual a zero. Não.20. C2 = m2 – m3 grupo químico nitrogênio com enxofre versus grupo ˆ químico nitrogênio com fósforo.21. ˆ 2.2.19.2m3 . 2. 2.19. C2 = m2 – m3 2.18. C3 = m1 – m3.1 a) C1 = m1 – m3 b) C2 = m1 – m2 c) C3 = m3 – m4 2. b 3. É ortogonal.3. Capítulo 3 3.20. C1 = 3m1 – m2 – m3 – m4.13. 128 .15.10 c) 0 d) são ortogonais.2 C = 3m1 – 2m2 – m3 2.1.105 2. C3 = m1 + m2 – 3m3 + m4.3.12. C 2 = −1 C3 = m2 + m3 – 2m4 grupo químico com nitrogênio versus grupo ˆ químico com inativadores de enzimas.1.20. 2. C2 = m1 + 14m2 – 15m3 2. 2.4.11. Compara o grupo de herbicida biológico com o grupo de ˆ químicos.14. a 3. C2 = m2 – m3 2. C = 50 2.20.19.16. 2.2. C=4m1 + 5m2 – 14m3 + 5m4 2. É ortogonal.

Pois o experimento não teve repetição.6. pois o pesquisador tinha por objetivo comparar os efeitos das 5 marcas de verniz com relação ao brilho proporcionado pelas marcas. 3. 3. 3. As 5 marcas de verniz.3. pois esta foi a característica avaliada para comparar o efeito dos tipos de óleo.2 Erro experimental (tipo aleatória). 3.5.5. O princípio do controle local deve ser utilizado quando não existe uniformidade das condições experimentais. c) Nenhum.7 Sim. Esta foi a unidade que recebeu um tipo de tratamento.5 Sim.6.1 As 5 enzimas. 3. Os efeitos de ambiente que não são passíveis de controle. 129 . 3.6.1. 3.1 Os oito tipo de óleo.6 Não. pois não foram usados os princípios básicos da experimentação.5.6 Sim. pelo substrato químico contendo fragementos de DNA. 3. Pois os tipos de óleo (tratamentos) foram distruibuídos ao acaso às amostras básicas (unidades experimentais). Foram utilizados oito repetições.8 Tempo gasto.4 Sim.7 O teor de gordura total.5. b) Cada animal.7. 3. O pesquisador sabia a princípio quais enzimas desejava comparar. Esta foi a fonte de variação introduzida pelo pesquisador.7.6. 3. A comparação do efeito destas 5 enzimas. Cada animal recebeu um dos tratamentos.EST 220 – Estatística Experimental a) Dez rações. 3.5. pois não houve nenhum controle na casualização. e) Não.3 Cada amostra genômica.2.6. fazem com que as observações de um mesmo tratamento não sejam iguais. 3. 3.6. 3. pois esta fonte de variação surgiu devido ao efeito de ambiente e não foi controlada pelo pesquisador.7.5. 3. pois os tratamentos foram designados de uma forma sistemática às unidades experimentais. 3.2 Premeditada. para percorrer uma distâncias de 25 cm no gel. Cada tábua de madeira. pois cada amostra básica recebeu um dos oito tipos de óleo. 3.5.7. d) Não.5. foi o que motivou o pesquisador a instalar este ensaio. pois esta foi a fonte de variação introduzida pelo pesquisador com o propósito de comparação de seus efeitos. A estimativa do erro experimental não é válida pois o princípio da casualização não foi utilizado. pois cada uma delas recebeu um dos 5 tratamentos em teste.6.6. 3. 3. Pois cada tratamento (enzima) foi designado a três unidades experimentais (amostra genômica).3 Cada amostra básica.5 Não.4 Sim.5. 3. Houve duas restrições na casualização de tal forma que cada bioquímico avaliou os oito tipos de óleo e cada lote recebeu os oito tipos de óleo. 3. Pois o princípio da repetição foi utilizado.

5. 3.42 Ftab5% (2.40 4. Dois controles foram utilizados na casualização.7.7. A estimativa é válida pois foi usado o princípio da casualização. Ftab5% (3. pois houve controle na casualização.2.8.25 ˆ Y = -0.7.8. pois sabia-se que a diferença de cor entre os diversos tipos de madeira poderia afetar a avaliação do verniz. pois foram usadas repetições.6.93 d) Qualquer técnica 4.1. Sim. Variações não controladas de ambiente. Fcal = 1. Capítulo 4 Rejeita-se Ho 4. pois cada sabor apareceu seis vezes no experimento.89 4.1. 3.24 4.m3 . Sim.8.16) = 3.12) = 3.15) = 3. pois geralmente não se conhece a origem destas variações não controladas. 3.8.6.21) = 3.m4 Y = 1.12) = 6.12) = 6.36) = 2. Esta foi a fonte de variação introduzida pelo pesquisador no experimento.73 Ftab5% (2. Sim. 4. Fcal = 6.Cap 11 – Respostas dos Exercícios Repetição: cada marca de verniz foi aplicada a 5 tábuas (unidade experimentais). Não Rejeita-se Ho Fcal = 1.3. Casualização: a distribuição das marcas de verniz às tábuas foi feita ao acaso.4.79 Ftab5% (3. a) Casualização e repetição b) Cada atleta Não Rejeita Ho c) Fcal = 1. Os seis sabores de sorvete.1. Fcal = 7. Não. Fcal = 6.47 Rejeita H0 As médias relativas aos 3 grupos diferem entre si. 3.06.87 CV% = 3.7.7. Sim. a) Sim. 4. Controle local: a casualização sofreu a restrição de que cada tipo de madeira fosse testada com todas as marcas de verniz. Fcal = 685. 3. Ftab1%(2.2.93 Não Rejeita-se Ho 130 . 3. 3.94 Ftab5%(4.5.3.22 ˆ c) Y= m1 – m2 Y = 8.94 Rejeita H0 ˆ b) Y= m1 + m2 .4.39 Ftab1% (2.06 Rejeita-se Ho.03 d) Y= m3 – m4 4.

ˆ 4.4.5 4. CV = 20.5.54 ˆ m d = 31 a a ˆ m b = 27 ab b ˆ m c = 26 b bc ˆ m a = 23 b c 4.99 a ab b D2 = 7.3.1.39 a b b c D2 = 0.37 4. 131 . 4.79 D4 = 3.7.7. F não-significativo. Tukey ∆ = 0.mD .37 a ˆ m 3 = 95. F não-significativo.06 b ˆ m 2 = 6.23 ˆ m1 = 102.49 ˆ m1 = 14.6.00 b Duncan D3 = 7.EST 220 – Estatística Experimental 4. Não é necessário aplicar teste de médias.40 D3 = 0.56 c 4.mE C = −8. Existe efeito significativo das rações com relação ao ganho de peso médio proporcionado pelas mesmas.68%.61 Duncan D4 = 0. C = mB + mc .71 D2 = 3. Valor alto indicando baixa precisão experimental.7.82 D3 = 3. 4. Capítulo 5 5.1.3. F não-significativo.09 b ˆ m 3 = 10. Não é necessário aplicar teste de médias.12 a b ˆ m 2 = 89. A numeração se refere aos exercícios do capítulo 4 4. Tukey Duncan ∆ = 4.2.81 a ˆ m 4 = 10. Não é necessário aplicar teste de médias. Tukey ∆ = 9.4.2.

Fcal = 24.5.0 tc=1.3.30 e m 2 = 11.55. De acordo com o Fcal = 15.34 RH0 2 Duncan D5 = 2.98 Rejeita-se Ho.25 bc = 6. D2 ˆ = 1.78 D4 = 2.4. as marcas E e A foram as ˆ ˆ mais lentas ( m E = 13. os tipos de aleitamentos 1 e 2 proporcionaram as ˆ ˆ maiores médias de ganho de peso ( m 1 = 9.0 tc=-7.73 D3 = 2. Tukey ∆ = 3.44).13 RH0.17 t5%(15)=2. b. d.6. Rejeita-se Ho. ˆ m3 ˆ m1 ˆ m6 ˆ m2 ˆ m5 ˆ m4 5.7. o teste de Duncan não é necessário.18) = 2.64 Ftab5% (5. a.75 ).36 RH0 S=2. 5. De acordo com o teste de Tukey (∆ = 2.63 t5%(15)=2.24 Ftab5% (4.11). D4 = 1. ˆ C1 = 4mA – mB – mC – mD – mE C1 = +4.75 ).2 D4 = 28.23 Ftab1% (3.Cap 11 – Respostas dos Exercícios 4.00 c = 380 = 370 = 367 = 338 = 325 = 320 Tukey ∆ = 33 a ab ab bc c c Duncan D6 = 31 a a a b b b D5 = 30.51. a. c.5 tc=5.75 e m A = 11.13 RH0. 5.12) = 5.50 bc = 6. S=2. S=7.2.77 Não existe diferença significativa entre os tratamentos.00 a b = 7.10). De acordo com o teste de Duncan (D5 = 1.24 132 .69 t5%(15)=2.13 NRH0.26) = 2. D3 = 1.86 t5%(15)=2.20 ).66 D2 = 2. 5. Fcal = 6.68 ˆ md ˆ me ˆ ma ˆ mb ˆ mc 5.13 RH0.36 RH0 ˆ C 4 = -2. S=3.48 NRH0 ˆ C2 = mB + mC – mD – mE C = -7.53 a a b b b = 11.95 teste de Tukey (∆ = 2.00 a = 10.58. Portanto. Ftab5% (3.5 tc=-3. a marca E foi a mais lenta ( m E = 13.7 D3 = 26 C3 = mB – mC C4 = mD – mE ˆ C 3 =+3. Fcal = 2.06 Rejeita-se Ho.15) = 3.

4 b ˆ m 4 = 21.70 Não rejeita-se Ho.53 = 203.96 D6=11.39 D2 = 9 ˆ m5 ˆ m4 ˆ m3 ˆ m2 ˆ m1 6. Fcal = 33.60 D4=11.EST 220 – Estatística Experimental ˆ b. assim. isolando os reais efeitos de tratamentos.09 c) Tukey ∆ = 3. ficando a heterogeneidade existente entre os grupos passível de ser quantificada e. 5.96 133 .05(26) = 2.07 D2=10. pois a divisão foi realizada de modo que houvesse homogeneidade entre as unidades experimentais dentro de cada grupo. t = 2.38 D3=11. ˆ m1 ˆ m3 ˆ m5 ˆ m2 ˆ m4 ˆ m6 Tukey Duncan ∆=15.12 Ftab5% (4.38 c d = 153.7.1.12) = 3. a) Fcal = 5.6 c 6.77 D5=11. ttab = t0.36 a a = 196.20 c e Capítulo 6 6.84 Tukey ∆ = 13.75 a b b c c D4 = 9. Fcal = 178 Ftab1% (3.68 D3 = 9.26 c) Duncan D5= 9.6 b ˆ m 2 = 31.58 a b ab = 188.87 b) Tukey ∆ = 13.6 D3 = 9.77 D4 = 9.3.2 = 107 = 92 = 87 = 72 = 67 a) DBC.58 Ftab5% (4. Rejeita-se Ho. C = 3. Rho b) Sim.86 a b bc = 182.42.06. S = 3.38 b c = 165.18) = 5.8) = 3.39 D2 = 8.83 ˆ 3 = 46 m a ˆ m1 = 31.54 a b b c c Duncan D5= 9.

3 b ˆ m 4 = 6.42 a b b b b R H0 S = 25. Casualização.01 b = 138.9 Ftab5% (3.57 D2= 3. 6.3e 4.5 b ˆ m1 = 3. visando proporcionar maior precisão ao experimento.: Sim. b) DBC: as sub-áreas formadas atuam como blocos no experimento.3 b ˆ m 2 = 29.72 D2 = 1.8 a b = 140.02 b ˆ Y = -29. .: Levedura tipo 5 Duncan D5 = 3. pois os contrastes não são ortogonais.67 b) Tukey ∆ = 4. a) Fcal = 7.72 D4= 3.41 ˆ m 5 = 11.4.0 b ˆ m 3 = 5.0 b ˆ m 3 = 5.: Leveduras tipo 1.12 a = 142.5.4 a ˆ m 2 = 6.Cap 11 – Respostas dos Exercícios ˆ m5 ˆ m1 ˆ m4 ˆ m3 ˆ m2 d) = 155.5 b ˆ m1 = 3. Controle Local: a área total foi submetido a várias subdivisões.0 b R. a) Repetição: cada tipo de pneu foi submetido a três repetições.6) = 4.75 D3= 1.0 b R.6.3 b ˆ m 4 = 6.26 R. 134 Ftab5% (4.76 d) Duncan D4 = 1.73 e) Não se aplica o teste t.12) = 3.3 c ˆ m1 = 28 c 6.67 ˆ m 4 = 33 a ˆ m 3 = 31. c) Fcal = 20.68 D3= 3.2. os tipos de pneus foram submetidos a sorteios dentro das respectivas sub-áreas. 6.74 b = 138.99 ˆ m 5 = 11.4 a ˆ m 2 = 6.

7. por exemplo. pois o número de graus de liberdade para blocos é igual a 4.25 b ˆ m D = 12 c ˆ m A = 10.9.1.75 a ˆ m E = 16. (c) 6. Sendo F tabelado a 5% igual a 3.1.18 RHo .11.2. a) Fcal = 37. não é necessário proceder ao teste de Duncan.12) = 3. Fcal = 2. Tukey ou Duncan. verifica-se que o Fcal é significativo. (h) 6. b) Testa-se se há diferença significativa entre a durabilidade dos 4 microaspersores.2 c c) tcal = 3. Delineamento em Blocos Casualizados.11. a) 5 vezes.4 N RH0 C2 = -30 c) Não se aplica o teste t. Fcal = 4.5. Rejeita-se Ho. 6.20 6.77 D4 = 3. (c) 6.41 Não Rejeita-se Ho ttab5% (12) = 2.45 ˆ m C = 25 a ˆ m B = 24.49 e enunciando as hipóteses: Ho: m1 = m2 = m3 = m4 vs Ha: Não Ho.11.7 Ftab5% (4.: Scheffé C = 36 + 40 + 60 – 3x40 = 16 S = 35. (c) 6.4.12) = 5. casualização e controle local).26 Não consequentemente.74 D3 = 3. d) Ex. portanto existe pelo menos um contraste entre as médias de durabilidade dos microaspersores estatisticamente diferente de zero.12) = 3.10.11.99 6. 6.45 NRH0 6.11. 6. Pode-se dizer também que o pesquisador utillizou os três princípios básicos da experimentação (repetição.02 Ftab5% (4.10. d) C= m1 + m2 – 2m3 6. logo não aplica teste de média S = 30. 135 Ftab1% (4.3.EST 220 – Estatística Experimental a) V(c) = 0 b) C1 Não é contraste.12.10. 6. (d) 6.62 D2 = 3. pois os contrastes não são ortogonais. Porque o melhorista ao instalar o experimento subdividiu a área total (heterogênea) em sub-áreas (homogêneas) entre si. c) Deveríamos aplicar um teste de médias.2.11.26 b) Duncan D5= 3.8.

14. Porque o teste t pode ser aplicado para avaliar contrastes estabelecidos “a priori” e ortogonais e o teste de Tukey a todos os possíveis contrastes que envolvem duas médias.2. 2.2.13. Y = mi – mj para i ≠ j = 1. (c).4. pois a diferença entre m 1 e m 2 é igual a 21 a qual é superior ao valor do ∆.1. pois o ∆ é função do QMResíduo.99 Ftab1%(3. Porque o teste de Scheffé pode ser aplicado a qualquer contraste sem nenhuma restrição e o teste t a contrastes estabelecidos “a priori” e ortogonais. os mesmos apresentam sensibilidades diferentes em detectar diferenças significativas. pois existem contrastes envolvendo duas ou mais médias e os contrastes não formarem um grupo de contrastes ortogonais. Número máximo de contrastes = 6. O teste recomendado é o teste de Scheffé.14.18) = 5. Fcal = 177.4 b ˆ m E = 401 b A Variedade Co 297 deve ser recomendada.84 O tratamento 4 apresentou a menor média (21.3.12.1. 3 e 4. Porém.09 Rejeita-se Ho. (c). 6.2. 6.14.12) = 3.09 Ftab5% (4.13.1. 6. o qual é um “indicativo” da precisão experimental.2.8 a ˆ m A = 492.13. ∆ = 3. 6.54 ˆ m C = 604. Não se rejeita Ho.8 b ˆ m D = 413.9.57) portanto é o desejado. Capítulo 7 7.14.5. 6. Y = −1.26 b) Tukey ∆ = 107. 6. O que obteve ∆1 = 5.14.3.4 .14. a) Fcal = 12. ˆ 6.Cap 11 – Respostas dos Exercícios 6. 136 . ˆ ˆ 6. S = 3. ˆ m1 = 100 a ˆ m 4 = 92 a b ˆ m 3 = 88 a b ˆ m 2 = 79 b 6.13. 6. Sim.12.1. 6.6 b ˆ m B = 440. 7. Porém os mesmos apresentam sensibilidades diferentes em detectar diferenças significativas. Não.

6. cada litro de leite 7.1.6.4.20) = 8.47 D3 = 8. Ftab = 5.249 ttab5% (12) = 2.10 b) FcalcA = 86. Fcal = 17.8 ˆ m 4 = 394 ˆ m 5 = 346.47 Rejeita-se Ho. (g) Ftab5% (4. 7.1) Duncan D5= 8.12) = 3. os tipos de bacilos 7. a) Sim Ftab(1.49 FcalcAxB = 4.01 Ftab5% (4. Ftab5% (1.2) Conclusão: os tatamentos 3 e 4 devem ser recomendados 7.16) = 4.5 bc ˆ m 4 = 40 c Conclusão: os tratamentos 2 e 5 devem ser recomendados b.26 b.84 ˆ m 2 = 60 a ˆ m 5 = 52. a) Fcal = 9.18 7.1.12) = 3.5.6.6.55 D4 = 8.3.6.5. Existe efeito significativo de forrageiras com relação a produção de matéira seca.84 Tukey ∆ = 107.54 ˆ m1 = 604.73 Ftab1% (6.05 Y = 33.22 D2 = 7. Delineamento em Quadrado Latino 7.3.2.26 a ab bc cd d Capítulo 8 8. Fcal = 31.30) =3.26 b) C = 4md – ma –mb – mc – me c) Scheffé ˆ S = 54.8 ˆ m 3 = 469.3.95 8. 7.6.81 RHo RHo NRHo 8.6.198 Ftab5% (4.4.51 137 .5 ab ˆ m1 = 50 b ˆ m 3 = 47. (a) 7.05 RHo FcalcAxB = 0.12) = 3.2.EST 220 – Estatística Experimental a) Fcal = 8.32 FcalcAxB = 21.6.8 7.8 ˆ m 2 = 509. 2 vezes 7.66 Teste t tcal = 2.

70 Ftab = 4.07 Teste Tukey ∆ = 2. 8.8 a) 5 valores .13 F Ração/Raça2 = 6.54 8. V: Fcalc = 1.75 Ftab = 4.13 Ftab(1. 7.08 b c) FcalcB = 15.49 ˆ E: Fcalc = 6.5.06 FA/B2 = 36. 4.35 → RHo 8.15) = 4.Cap 11 – Respostas dos Exercícios ˆ m R1 = 49.7).80 Rho ˆ m A1 = 47.92 Ftab = 4.49 b) F/V1: Fcalc = 17. 39 c) Meio de Cultura e tipo de Fungo.6. b) 3. a) Não FcalcRaçãoxRaça = 7.23 → RHo Ftab (2. repetidos 5 vezes.49 c) O espaçamento 2 ( m 2 = 7.10. a) Sim.16 Ftab = 7. a) Estudar os fatores isoladamente. VxF: Ftab = 3. 28. respectivamente.50 a ˆ m A 2 = 44. Questão teórica 8.9.17 FtabRaçãoxRaça = 3.62* FA/B1 = 30.13 F Ração/Raça3 = 10.79 Ftab = 4.49 Fcalc = 27. a) Não.49 b) Ambas fornecem a mesma produção.29 ˆ mF2/V1 = 8 a ˆ mF1/V1 = 4 b ˆ mF3/V1 = 3 b ˆ c) V2/F3: m = 8 Ftab (1.75* 138 . VxE: Fcalc = 0.4.20) = 4. d) Não. Fcalc = 4.67 a ˆ m R 2 = 42.68 b) F Ração/Raça1 = 3. b) Efetuar o desdobramento dos fatores 8.7.25 b 8. FA*B = 3.64 8.20) = 3.82* FA/B3 = 51.Cada valor corresponde a um total de tratamento.57 e) Qualquer um Fcalc = 0.

62* b) FB/A1 = 0.18.2 b ˆ m A 4 = 15. D3 = 13.12.40. Ração: Fcal = 4.8 a ˆ m A 2 = 18.16.34 Ftab5%(2.26.55 Médias dos niveis de A ˆ m A1 = 19. a) FA*B = 9. A ração A deve ser recomendada.93.04ns 8.56 8.15. O nível alto de proteína dever ser recomendado.24) = 4.01ns FB/A2 = 5.81ns FB = 4.8* FA/B3 = 0.24) = 3. Tukey ∆ = 3.64ns Teste Duncan para fator B D3 = 262.29 S = 15.64* ∆B/A1 = 2.17.097ns 8. a) FA/B4 = 11. Interação: Ftab5%(2.24) = 3.11 Ftab5%(1.09* FB = 5.33* b) FA/B1 = 0.EST 220 – Estatística Experimental FB/A1 = 18.98 ∆A/B1 = 3.45ns 8.29 FB/A3 = 32.71ns b) Fcal = 6.26 D2 = 249.16ns FA*B = 5. 139 .14.13. Proteína: Fcal = 5.4 b 8. Questão teórica -> ver teoria 8. Não Rejeita-se Ho a 5% de probabilidade. D2 = 13. FA = 7.40.10* ∆ = 11.81* FA*B = 0.14) = 4.77 8.778 FB/A4 = 42.4 ab ˆ m A 3 = 16.11. FA = 0.72* FB/A2 = 72.87 Ftab5% (1.095ns FA/B2 = 24. Rejeita-se Ho a 5% de probabilidade.25. Rejeita-se Ho a 5% de probabilidade.60 8. ˆ a) C = -15.

67 Ftab.40 → Não RH0 a 5% de probabilidade.67 4041.19.53 × 1.27 10. atuam independentemente na perda de grãos. 24) = 3.53 Duncan: Di = zi × QMRe s 2×5 i=3 i=2 → z3 = 3. 8. Tukey: ∆ = qtab × QMRe s = 3.87 304.40 → RH0 a 5% de probabilidade.19.80 < 3.80 3737. horário de colheita e tipo de colheitadeira.40 H0: mH1 = mH2 = mH3 Ha: Não H0 Conclusão: 52.47 661. 5% (2. 2.40 Conclusão: 0. 24) = 3. FV GL SQ QM F H 2 1323.87 Ftab. 8.73 52.67 = = 1.Cap 11 – Respostas dos Exercícios 8.2.24 > 3.13 I×K 2×5 para i ≠ u = 1.07 → D3 = 3. 24) = 3.99 2×5 qtab = q0.30 Totais de Tratamentos 140 .47 20. Teste de Tukey e Duncan Hipóteses H0: mHi – mHu = 0 Ha: mHi – mHu ≠ 0 DMS QMRe s 12. os fatores. Logo existe pelo menos um contraste estatisticamente diferente de zero entre médias de horário de colheita com relação a perda de grãos. Logo.24 Resíduo 24 304.92 → D2 = 3. 3.00 12.05(3.19.13 = 3.47 → z2 = 2.1 FV T H T*H (Tratamentos) Resíduo Total GL 2–1=1 3–1=2 1×2=2 (2×3) – 1 = 5 29 – 5 = 24 (2 × 3 × 5) – 1 = 29 SQ QM F 2394.00 12. 5% (2.13 1323.13 0.

01 304.67 Ftab.19 → RH0 a 5% de probabilidade 8.40| >7. ˆ ˆ ˆ ˆ C = 2mH1 − mH2 − mH3 = 2×65.3.20 H0: mT1 = mT2 Ha: Não H0 Conclusão: 189.94| > 2.40 → RH0 a 5% de probabilidade.94 ( ) ( ) ˆ ˆ V C ( ) ttab = t5%(24) = 2.19.EST 220 – Estatística Experimental H1 208(5) 288 496(10) H2 217 317 534 H3 282 370 652 Totais 707(15) 975 1682(30) T1 T2 Totais Médias ˆ mH3 ˆ mH2 ˆ mH1 Tukey 652 = = 65. 5% (1.4 b = = 49.19 S= Conclusão: |27.06 → RH0 a 5% de probabilidade ˆ ˆ (I − 1) × Ftab × V(C) = ( 3 − 1) × 3.6 = 7.6 J × K i=1 t= ˆ C = 27.13 189.06 Conclusão: |9.4 – 49.40 × 7.6 = 27.6 = 9.19.40 H0: C = 0 Ha: C ≠ 0 QMRe s 3 2 12.4. Teste de Tukey e Duncan 141 .01 > 3.2 – 53. FV T Resíduo GL 2–1=1 29 – 5 = 24 SQ QM F 2394.67 2 2 2 ˆ V C = ∑ ai = 2 × 5 2 + ( −1) + ( −1) = 7. Logo existe pelo menos um contraste estatisticamente diferente de zero entre médias de tipo de colheitadeira com relação a perda de grãos.6 b Duncan a b c 8.13 2394.40 7. 24) = 4.00 12.2 a 2×5 = = 53.

92 3×5 15 Tukey: ∆ = qtab × QMRe s = 2. pois o teste F (1 GL para T) já é conclusivo.05(2.92 × 0.Cap 11 – Respostas dos Exercícios Observação: A aplicação de tais testes é desnecessária.19.17.92 → D2 = 2.67 = = 0.68 Totais de Tratamentos T1 T2 Totais H1 208(5) 288 496(10) H2 217 317 534 H3 282 370 652 Totais 707(15) 975 1682(30) Médias ˆ mT2 ˆ mT1 Tukey 975 = = 65. Apresentamos apenas para mostrar as diferenças entre aplicar para um fator com três níveis (H) e um fator com dois níveis (T) ˆ ˆ ˆ C = mT1 − mT2 = 47. 24) = 2. 2 QMRe s 12.13 – 65.00 = . pois o teste F (1 GL para T) já é conclusivo. Observação: A aplicação de tais testes é desnecessária.92 = 2. Apresentamos apenas para mostrar as diferenças entre aplicar para um fator com três níveis (H) e um fator com dois níveis (T) Hipóteses H0: mTj – mTu = 0 Ha: mTj – mTu ≠ 0 DMS para j ≠ u = 1.00 a 3×5 = = 47.13 b Duncan a b 8.92 Duncan: Di = zi × QMRe s 3×5 i=2 → z2 = 2.5.87 H0: C = 0 Ha: C ≠ 0 142 .69 3×5 qtab = q0.

54 8. Não rejeita-se Ho.69 = −13.1.2.2.67 → RH0 a 5% de probabilidade 8.OSERVAÇÃO: VALORES APROXIMADOS 8.18) = 6. 8. Interação: Fcal = 25.20 × 1.18) = 6.24.60.22.21.22.62 Ftab5%(1. Ftab5%(3. Os dois métodos de aceleração proporcionam em média igual consumo.01.58.87| > 2.20.EST 220 – Estatística Experimental QMRe s 2 2 12.3.34. Rejeita-se Ho.49.16) = 4. 8. Interação: Fcal = 0. 8. Não rejeita-se Ho. A/B1: Fcal = 34.67 S= Conclusão: |-17. Os fatores A e B não atuam independentemente.22.67 2 2 ˆ V C = ∑ a j = 3 × 5 1 + ( −1) = 1. Fator A: Fcal = 4.00 a ˆ m A 4 / B 2 = 99. Rejeita-se Ho.16) = 4.3. Ftab1%(1. Ftab1%(2. B/A2: Fcal = 295.01. Quando se usa o controle de qualidade A1 processo de fabricação B1 é o mais rápido.39 8. Logo a média de B1/A2 é estatísticamente maior do que a de B2/A2.23.30) = 5.21.75| > 2. Existe pelo menos um contraste. Ftab1%(2. Ftab5%(1.1. Rejeita-se Ho. Rejeita-se Ho.23.14) = 4. 8.2.39.2. 8. Interação: Fcal = 267.06 Conclusão: |-13. Rejeita-se Ho.037 Ftab1%(2. estatisticamente diferente de zero. 143 . Os fatores não atuam independentemente.03.56. ∆ = 8.33 c d 8.72 8. 8.39.1.23.87 1. 8.73.21. 16.49.06 → RH0 a 5% de probabilidade ˆ ˆ ( J − 1) × Ftab × V(C) = ( 2 − 1) × 4. 8.22.14) = 3.24. 16. Interação: Fcal = 49.67 b ˆ m A1 / B 2 = 28. 8.10.23.30) = 7.51 ˆ m A 3 / B 2 = 135.33 ˆ m A 2 / B 2 = 19. Os fatores A e B não atuam independentemente.69 = 2. 8.69 I × K j=1 t= ˆ C = −17. Rejeita-se Ho.20.1. B/A1: Fcal = 21.20. 42. entre médias do fator A dentro do nível 1 de B.2.97 Ftab5%(1. 8.75 ( ) ( ) ˆ ˆ V C ( ) ttab = t5%(24) = 2.24. Os fatores atuam independentemente.1.

09 198.01 Significativo ao nível de 1% de probabilidade R/E FV R/E1 R/E2 Resíduo GL 2 2 18 SQ 87.3 4 = = = 25.01 (2.29 ** Significativo ao nível de 1% de probabilidade 144 .21 79.76 (175.3.575 a b b E/R FV E/R1 E/R2 E/R3 Resíduo GL 1 1 1 18 SQ 0.03* * 27.70) 23.54 Ftab.24. 1% (2.21 79.75 1. 18) = 6.28 F 0.25 1.16 62.29. 8.02 * * 2.66 ˆ m R 2 / E1 = ˆ m R1/ E1 = ˆ m R3 / E1 = 103. 18) = 6.38 3.28 F 34. FV Recipientes (R) Espécie (E) Interação RxE (Tratamentos) Resíduo Total ** GL 2 1 2 (5) 18 23 SQ 92. B/A2: Fcal = 62.01 ** Significativo ao nível de 1% de probabilidade R/E1 ∆ = 2.50 QM 43.28 F 24.25. 1% (1.15* * Ftab.18) = 8. 1% (2. 18) = 6.325 21.25 QM 0.86 19.56 34.38 3. Rejeita-se Ho.88 1.08 63.66 ˆ mR1/ E2 = ˆ m R3 / E2 = ˆ mR2 / E2 = 101.5 4 = = = 25. O nível B1 apresenta maior média quando o nível 2 de A é considerado.91* * - Ftab.325 19.29 (1.79 QM 31.18) = 8.12 69. Ftab1%(1.02.650 20.18) = 8.050 a a b R/E2 ∆ = 2.875 25.Cap 11 – Respostas dos Exercícios 8.

9 a b ˆ m A2/B1 = 50.34 Teste Tukey ˆ m B2/A1 = a ˆ m B3/A2 = ab ˆ m B4/A3 = b ˆ m B1/A4 = b ∆ = 6.21 Ftab5% (9.99 Ftab5%(3.1.92 Teste Duncan Fator A (D5= 1.48 Fcal B = 3.24 D4 = 1.2.99 QM= 23.86 Fcal= 13.66 Fcal= 4.06 Fcal= 14.98 Ftab5%(12.36) = 2.49 B/A2 SQ= 45.30) = 2.33 b ˆ m A 4 = 16.16 QMRes combinado = 32.06 Para A/B3 a ab ab b Para A/B4 a a a b QM= 194.19 D2 = 1.25 A/B3 SQ= 325 QM= 108.34 A/B4 SQ= 1293 QM= 430.17 9.10) = 3.30) = 2.41 Teste de Tukey A/B ∆ = 11 Para A/B1 ˆ m A4/B1 = 61.19 b 145 .EST 220 – Estatística Experimental Capítulo 9 9.27) = 2.22 D3 = 1.96 B/A4 SQ= 71.07 QM= 18.21 B/A3 SQ= 56.61 a ˆ m A1 = 17.1 c Para A/ B2 a ab b b Estudo: B/A B/A1 SQ= 583.9 b ˆ m A1/B1 = 36.14) Médias ˆ m A 5 = 17.09 Fcal A = 4.9 a ˆ m A3/B1 = 53. Interação AxB significativa: Fcal AxB= 3.74 Fcal= 0. Interação AxB não significativa Fcal AxB= 0.26 Fcal= 3.50 QM= 15.71 Ftab5%(4.94 Fcal= 1.56 a ˆ m A 3 = 16.58 Fcal= 0.41 N* = 27 Estudo A/B A/B1 SQ= 1404 QM= 468.96 A/B2 SQ= 413 QM= 137.2 Resíduo GL= 27 QM= 32.14 Ftab5% (3.78 Fcal= 9.

24) = 3.05 D3 = 1.5.30) = 2.97 ˆ m B1 = 17.86 Ftab5%(2.82 a ab b Ftab5%(6. Existe pelo menos um contraste entre médias de niveis de B estatisticamente diferente de zero.4.4.3. D4 = 1.92.97. Ftab5%(12.46 a ˆ m B 4 = 16.92.30) = 2. 9.978) Médias ˆ m B1 = 17.4. 9. Fator B: Fcal =3.00. 3.88 ˆ m B3 = 16.90) = 3.5.2.40 9. Ftab5%(3.Cap 11 – Respostas dos Exercícios ˆ m A 2 = 15.029 D2= 0. Rejeita-se Ho. 9. nível 5 9. Ftab5%(12.6.09.30) = 2.02 D2 = 0.77 ˆ m B 2 = 15.97 9.3. Rejeita-se Ho.3.4.08 Fcal A = 1. Interação: Fcal = 0. F para interação não significativo Fcal AxB = 2.88 a ˆ m B3 = 16.5. 0.51 Ftab5%(3. Não rejeita-se Ho.97.98 b Teste Duncan Fator B (D4= 1.99. 146 . Os fatores atuam independentemente.1. Interação: Fcal=0. Existe pelo menos um contraste entre médias de niveis do fator B estatisiticamente diferente de zero.09.57 9.17 Fcal B = 3.5.57 Fator B Teste tukey Médias ˆ m sulco = 3502.77 a b ˆ m B 2 = 15.6.7 ab ˆ m cova = 3107. 3 e 4 9. Ftab5%(3.5.24) = 2.056 D3= 1.99 9. Os fatores A e B atuam independentemente.1. Fator B: Fcal = 4.4.83 b 9. 9.5.4 b 9. OBSERVAÇÃO: VALORES APROXIMADOS 9.30) = 2. niveis 1.5.2.1. Não rejeita-se Ho.43 a ˆ m B 4 = 16.6. 206.5 a ˆ m lanço = 3332.2. 9.

Ftab5%(2. o autor procedeu da forma correta. entre médias de niveis de B dentro do nível A2. Existe pelo menos um constraste estatisticamente diferente de zero. Interação: Fcal = 2. Rejeita-se Ho.88 a b ˆ m B3 = 16. entre médias de niveis de A dentro do nível B1. Como a interação foi não significativa. 9.50 ˆ m A2/B2 = 56. Existe pelo menos um constraste estatisticamente diferente de zero.A/B1 ˆ m A2/B1 = 81.9) = 5. B/A2: Fcal = 189.39. Rejeita-se Ho. Rejeita-se Ho.58.6) = 5. 9. Ftab5%(2.8.25 b .7. Os fatores A e B atuam independentemente.50 a ˆ m A1/B1 = 56.74.58.14. 9.9. B/A3: Fcal = 71. Rejeita-se Ho.75 ˆ m A1/B2 = 41. entre médias de niveis de A dentro do nível B2. Ftab5%(2. A/B2: Fcal = 10.7. Rejeita-se Ho. Não rejeita-se Ho. entre médias de niveis de B dentro do nível A2.9) = 5.12) = 3.25 a ˆ m A3/B1 = 72. Existe pelo menos um constraste estatisticamente diferente de zero.74.12.12. Os fatores não atuam independentemente.A/B2 ˆ m A3/B2 = 57.05.55.2.7.1.89.26.7) = 4. Rejeita-se Ho.83. Estudo: A/B QMResíduo Combinado: 29. A/B1: Fcal = 21.83 b 9.75 a b ˆ m B 2 = 15. Interação: Fcal = 10. Ftab5%(1. a a b 147 .9) = 4. GL = 7. Ftab5%(1.75 B/A B/A1: Fcal = 66.EST 220 – Estatística Experimental Tukey (∆=1. entre médias de niveis de B dentro do nível A1. Existe pelo menos um constraste estatisticamente diferente de zero. Ftab5%(1. Médias .31) ˆ m B1 = 17.03. 9.46 a ˆ m B 4 = 16.9) = 5. pois ele comparou os niveis de um fator independente do outro fator. Ftab5%(2.12. Existe pelo menos um constraste estatisticamente diferente de zero.

78 Médias ˆ m B3 = 6. Existe pelo menos um contraste estatisticamente diferente de zero entre médias de niveis do fator A.79 b Capítulo 10 10. Os fatores atuam independentemente.6) = 5. 10.08x i Fcal= 3.7.1135 F cal=231. ˆ ˆ β 0 = 92. 10. Não rejeita-se Ho. Ftab5%(2. Ftab5%(1.4.96 b ˆ m B2 = 3.12) = 3. ˆ ˆ β 0 = 997.1282 F significativo. Fator B D3 = 1.99.4.5.Cap 11 – Respostas dos Exercícios Interação: Fcal = 0.2. 10. A variável independente influencia significativamente a variável dependente. ˆ ˆ ˆ β 0 = 11.24 β1 = 10.012 x i F cal= 67.89. 148 .24. 10. Ftab5%(2. A variável independente influencia significativamente a variável dependente.56 x i Fcal= 84. Teste de Duncan Fator A: não é necessário. Fator B: Fcal = 5.39. Teste F já é conclusivo.42.52.05.12) = 3. ˆ ˆ β 0 = 1 52 β1 = 4. A variável independente influencia significativamente a variável dependente. Rejeita-se Ho. Rejeita-se Ho. A variável independente influencia significativamente a variável dependente. 10.6.3. Existe pelo menos um contraste estatisticamente diferente de zero entre médias de niveis do fator B.4677 x i β 2 = -1.7 β1 = 0.29 a ˆ m B1 = 3.3. F cal=12.87 e D2 = 1. Fator A: Fcal = 22.4 β1 = 0.83. 10.55 A variável independente não influencia significativamente a variável dependente. A variável independente influencia significativamente a variável dependente. ˆ ˆ β 0 = 0.7 β1 = 0.1.

Regressão: Fcalc = 12. Falta de Ajustamento: Fcalc = 0.4.s F regressão significativo F cal= 5.16. F significativo da regressão. F cal interação foi significativo. 10. Não é recomendável fazer tal estimativa. OBSERVAÇÃO: VALORES APROXIMADOS 10.15. 10.2.13 10. Ftab5%(1. 63.14. 44 Fcal = 44 . 1.9 x i2 Fcal = 97.92 kg b) 23. 49 10.14.10.10) = 3.16.10) = 4. 10. ˆ β 0 = 120 . 34.15.027 10.2. 10. a) 3.96.13.1.81 10.1 − 0.2% 10.16 x i − 0.06 R²=78.s Ftab = 9.9. Não rejeita-se Ho.52 10.76 10.15. O modelo linear de 1o grau é apropriado para descrever o tempo de sono em função da dosagem de sonífero.12.16.1. Modelo 3 F falta ajustamento n.4.25°C 10.71. 10.15. F =1. pois a dose de 17 mg não está dentro do intervalo de dosagem testada. –23. O coeficiente β1 é estatisticamente diferente de zero. 10.4 b)Não. a)F cal= 225* b) Sim.2. d)Fazer uma análise por meio de regressão.07 10.14.74 149 . ˆ Yi = 16.8. Escolhendo o modelo mais adequado. 15.1.EST 220 – Estatística Experimental a) 144.15.3.14. 1. 10. Rejeita-se Ho.3.11.63 10.88 e -0.097 n. Ftab5%(3. c) Espécie 1 i GL=1 F conclusivo.

Fcal = 340.20. 10.74. 10.1.35. Rejeita-se Ho. A droga tem influência sobre o nível de açúcar.7) = 4. 10. Rejeita-se Ho.3.93. Ftab5%(1.47.20) = 2. então a equação de regressão ajustada não pode ser usada para estimar a perda de peso para esta dosagem. Não é possível obter tal estimativa. 10. Ftab5%(1. Rejeita-se Ho.18.1.69.2. Não rejeita-se Ho.18.19.18.20. Ftab5%(8.5) = 6.68.Cap 11 – Respostas dos Exercícios 10. A dosagem do suco de laranja tem efeito significativo na acidez da bebida láctea.2. Regressão: Fcalc = 609. 10. pois a dose de 90 mg está fora do intervalo testado.3. 10.20.19. Logo o modelo ajustado é adequado para descrever o fenômeno. Ftab5%(2.2. 10. Fcalc = 43.7) = 4. A droga resulta em uma perda de peso significativa.19. 150 .45. Como 35 mg está fora do intervalo testado.17. Falta de Ajustamento: Fcal = 1.08.18.74. 7. Ftab5%(2. Rejeita-se Ho. 10.2.1.20) = 4. 10.91 10. O fermento tem influência significativa no peso final dos pães. 13.07 10.61.1. 10.17. 10. –0. Fcal = 122.31.17.17.

1987.EST 220 – Estatística Experimental – I/2008 EST 220 – Estatística Experimental Anexo 1 .Formulário e Tabelas Observações: As tabelas que aqui constam. Este material será usado em provas e portanto não deverá conter informações adicionais - Nome:_________________________________________________ Matrícula:______ 151 . foram adaptadas do livro: Curso de Estatística Experimental (12ª ed) de Frederico Pimentel Gomes.

Anexo 1 – Formulário e Tabelas Formulário ˆ mi = ∑x i =1 n i n SQ s = GL 2 ⎛ k ⎞ ⎜ ∑ Xi ⎟ ⎜ 2 k X i ⎝ i=1 ⎟ ⎠ SQ = ∑ − k i=1 ri ∑ ri i=1 2 s= s 2 ˆ s(m) = s n s 2 c 2 (n1 − 1)s1 + (n 2 − 1)s 2 2 = n1 + n 2 − 2 > s2 F= < s2 2 ˆ m − m0 t= s n 1ˆ ˆ VC 2 ˆ ˆ (m − m2 )− (m − m ) t= 1 1 2 1⎞ 2⎛ 1 sc ⎜ + ⎟ ⎜n n ⎟ 2 ⎠ ⎝ 1 t= ˆ mD − mD 2 sD n ˆ mD = ∑d i=1 n i n ⎛ n ⎞ ⎜ ∑ di ⎟ ⎜ ⎟ n ⎝ i=1 ⎠ 2 ∑ di − n 2 s D = i=1 n −1 ∆=q () Di = zi Di = z i 1ˆ ˆ VC 2 () S= a a 2 ˆ ˆ V C = SC ∑ i = QMRe s∑ i i=1 ri i=1 ri I I ( ) 2 2 ∆=q QMRe síduo K QMRe síduo K ˆ ˆ (I − 1)Ftab V (C) t= ˆ C ˆ ˆ VC () ⎛ k ⎞ ⎜∑ Xi ⎟ 2 k X i =1 SQ = ∑ i − ⎝ k ⎠ i =1 ri ∑ ri i =1 2 CV(%) = 100 QM Re síduo ˆ m ˆ mi = Ti ri ˆ m= G N n* = [QM Re s(a ) + (J − 1)QM Re s(b)]2 [QM Re s(a )]2 + [(J − 1)QM Re s(b)]2 g.l. Re s(b ) QM Re sComb = QM Re s(a) + (J − 1)QM Re s(b) J 152 .l. Re s(a ) g.

EST 220 – Estatística Experimental – I/2008 n ⎧n ˆ ˆ Yi = nβ 0 + β 1 ∑ X i ⎪∑ ⎪ i =1 i =1 ⎨n n n ⎪ YX = β ˆ ∑ i i ˆ 0 ∑ X i + β1 ∑ X i2 ⎪ i =1 i =1 i =1 ⎩ n n ⎧n ˆ ˆ ˆ Yi = nβ 0 + β 1 ∑ X i + β 2 ∑ X i2 ⎪∑ i =1 i =1 ⎪ i =1 n n n n ⎪ ˆ ˆ ˆ Yi X i = β 0 ∑ X i + β 1 ∑ X i2 + β 2 ∑ X i3 ⎨∑ i =1 i =1 i =1 ⎪ i =1 n n n n ⎪ ˆ ˆ ˆ Yi X i2 = β 0 ∑ X i2 + β 1 ∑ X i3 + β 2 ∑ X i4 ⎪∑ i =1 i =1 i =1 ⎩ i =1 ⎛ n ⎞ ⎜ ∑ Yi ⎟ n ⎝ i =1 ⎠ SQTotal = ∑ Yi2 − n i =1 2 R2 = SQ Re gressão SQTotal R2 = SQ Re gressão SQTratamen tos ⎛ n ⎞ ⎜ ∑ Yi ⎟ n n ⎝ i =1 ⎠ ˆ ˆ SQ Re gressão = β 0 ∑ Yi + β 1 ∑ Yi X i − n i =1 i =1 2 ⎛ n ⎞ ⎜ ∑ Yi ⎟ n n n 2 ˆ ˆ ˆ SQ Re gressão = β 0 ∑ Yi + β1 ∑ Yi X i + β 2 ∑ Yi X i − ⎝ i=1 ⎠ n i =1 i =1 i =1 2 153 .

65 3.92 5.26 2.13 2.17 3.05 2.04 3.46 2.74 1.70 1.37 3.08 3.Anexo 1 – Formulário e Tabelas Tabela 1 .04 2.43 3.94 1.77 4.04 4.33 1% 63.77 3.73 1.78 2.58 2.96 2% 31.45 5.37 3.06 2.57 2.05 2.78 2.76 2.92 2.88 2.72 2.36 2.95 2.23 2.01 2.09 2.69 3.49 2.06 3.10 2.02 3.70 2.15 3.83 1.86 2.22 3.10 3.20 2.97 2.90 2.78 1.86 5.66 9.5% 127.72 1.67 3.06 2.80 2.86 2.97 4.50 3.82 6.55 2.81 0.73 1.84 2.1% de probabilidade (Tabela Bilateral) Graus de liberdade 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 40 60 120 ∞ 10% 6.32 4.48 2.60 4.71 3.98 1.65 2.83 3.1% 636.75 3.71 1.33 3.31 2.03 3.75 2.22 4.62 2.36 3.92 3.65 1.29 154 .58 3.14 3.46 3.82 2.20 3.71 1.53 2.45 2.82 3.12 3.92 2.82 2.06 2.77 1.29 3.50 3.81 1.92 2.39 2.Valores de t em níveis de 10% a 0.09 3.36 2.25 3.75 1.06 3.88 3.02 1.14 3.47 2.98 2.60 2.11 3.13 2.37 3.18 2.60 12.68 1.67 1.17 3.03 3.35 2.00 1.73 1.57 2.05 3.60 4.84 4.78 4.65 5% 12.85 3.76 2.49 2.90 2.44 4.10 2.80 1.76 2.07 2.75 1.09 7.30 3.41 5.70 1.72 1.58 0.16 2.52 2.14 4.66 2.76 1.50 2.46 2.73 3.70 1.71 1.08 2.90 1.81 2.42 2.86 1.07 2.12 2.77 2.79 2.32 4.07 4.54 2.62 2.96 5.11 2.32 14.75 3.79 3.09 2.94 8.54 3.61 6.03 2.07 3.14 2.18 2.25 3.71 1.68 2.55 3.51 2.71 3.70 1.59 4.69 3.04 2.02 2.47 2.97 3.66 3.62 31.71 4.31 2.83 2.

19 6.98 2.90 2.09 3.50 26.99 5.03 3.82 5.81 2.25 3.14 3.19 3.30 3.92 2.64 2.61 2.94 1.88 7.16 3.EST 220 – Estatística Experimental – I/2008 Tabela 2 .00 2.02 2.55 8.83 2.18 4.40 2.76 1.96 2.95 3.78 4 5625 99.37 27.55 2.41 2.22 3.23 3.12 1.79 30 6261 99.68 2.94 2.96 7.29 8.87 2.66 1.39 5.09 3.52 3.60 1.46 4.17 3.43 3.09 3.52 2.40 2.24 n1 12 6106 99.06 5.80 10.06 4.84 6.35 5.65 8.37 9.36 2.77 7.78 3.85 4.97 8.27 5.92 1.84 1.56 6.10 6.69 14.94 2.87 6.75 2.47 7.59 3.68 3.08 6.51 3.93 3.07 3.05 2.78 3.86 2.24 3.66 2.18 3.56 7.65 4.95 1.52 4.02 3.94 3.20 9.85 5.90 3.68 7.48 4.66 2.78 4.37 4.08 3.47 3.17 2.56 5.46 9.98 10.60 3.07 4.21 10.00 2.02 1.88 24 6235 99.98 4.67 2.75 3.89 2.88 2.75 2.55 3.67 3.52 2.45 7.87 2.81 5.84 2.08 3.16 5.03 1.44 3.95 5.63 6.97 5.46 2.94 2.47 2.13 3.75 8.46 3.82 2.12 3.63 2 5000 99.89 3.82 7.50 4.17 3.46 6.74 4.33 4.99 2.02 7.22 13.65 2.47 2.30 4.98 2.11 1.01 4.52 6.76 4.24 9.96 4.39 27.85 7.50 4.92 2.40 3.70 3.90 2.79 6.43 4.64 4.28 4.14 4.72 4.26 4.89 4.93 2.91 5.74 2.68 8.01 3.94 3.31 3.94 3.58 4.47 7.58 2.30 3.14 4.36 4.01 6.23 2.99 2.53 8.57 5.34 4.26 2.21 2.92 4.24 3.31 7.47 120 6339 99.40 4.12 2.59 6.69 3.41 3.80 3.93 2.40 2.51 3.18 4.03 3.40 27.74 2.89 2.54 4.60 4.01 5.67 2.23 5.78 3.62 5.29 2.78 2.30 2.38 1.23 2.11 1.10 3.27 10.07 8.80 2.15 3.15 7.05 3.61 5.80 3.21 2.70 2.82 2.99 6.55 10.70 3.30 3.63 4.54 4.95 2.56 3.40 2.54 3.29 8.47 2.13 3.12 4.17 4.35 2.80 2.72 7.11 4.74 5.89 2.56 5.23 3.35 3.26 4.17 3.26 10.22 5.20 4.67 4.33 2.96 2.36 27.41 10 6056 99.71 3.74 5.66 2.72 7.18 5.84 2.69 3.77 3.07 3.50 34.23 6.55 2.49 2.20 4.86 3.02 3.57 2.93 9.39 2.39 3.83 14.70 2.20 2.04 16 6169 99.15 3.94 4.46 16.26 3.31 5.02 9.85 3.63 2.18 3.63 3.87 3.43 26.74 2.50 3.64 8 5982 99.93 5.00 2.32 4.41 13.86 4.34 2.55 7.18 4.26 13.72 2.52 3.60 13.50 2.33 2.20 2.56 3.98 6.78 8.02 7.99 3.83 2.14 2.46 3.98 2.77 7.21 3.38 2.54 2.33 3.41 4.37 3.62 2.17 3.56 9.54 5.84 2.07 15 6157 99.15 9.49 2.80 5.17 29.03 2.43 3.31 4.44 4.61 2.56 2.51 3.36 3.02 6 5859 99.06 4.67 3.52 3.19 3.87 4.76 2.71 4.00 4.79 4.03 3.71 3.36 3.67 14.54 3.30 9.94 4.59 3.70 2.26 3.82 18.02 2.52 2.42 2.45 2.03 2.98 2.12 14 6142 99.69 12.83 3.98 11.67 5.35 2.56 3.35 3.31 3.10 3.81 3.57 2.24 2.00 13.44 4.73 3.28 4.02 2.94 3.30 4.21 3.79 3.21 3.86 3.45 2.86 3.58 2.18 3.73 2.25 11.54 2.60 2.04 9.00 2.61 3.40 3.66 10.20 16.65 4.12 3.62 2.51 9 6022 99.20 2.64 4.61 5.45 3.68 7.13 3.45 5.93 2.72 2.34 3.63 2.48 4.85 2.43 26.42 5.51 3.18 8.46 3.18 3.88 5.41 5.11 4.32 ∞ 6366 99.42 5.29 2.17 3.48 26.13 14.45 2.18 13 6125 99.12 2.49 2.26 6.35 3.70 3.14 5.19 2.43 3.36 2.57 4.46 8.47 5.07 5.42 27.46 4.09 2.25 3.21 5.35 14.51 6.22 4.70 6.10 4.42 3.42 5.87 14.85 2.03 2.04 3.50 2.96 2.63 3.55 2.02 6.12 21.47 26.14 4.85 2.98 3.62 3.37 2.41 27.05 2.09 5.03 5.51 3.57 4.79 2.73 2.41 3.13 2.66 3.72 5.36 3.83 2.78 5.33 9.72 5.66 3.70 40 6287 99.96 3.66 5.24 15.91 15.32 3.31 4.64 5.45 3.56 4.55 6.92 2.03 4.85 6.82 4.10 2.93 6.18 5.74 4.85 3.12 3.86 1.45 9.77 2.66 6.82 3.53 5.39 4.51 4.45 26.59 3.29 3.99 5.11 6.99 6.29 5.27 3.86 8.56 2.77 2.13 3.44 26.27 2.45 3.84 9.66 2.34 3.32 2.88 2.75 2.95 7.78 3.82 4.30 3.Limites unilaterais de F ao nível de 1% de probabilidade.32 13.69 4.49 5.06 5.40 4.98 14.90 3.00 30.81 2.00 2.42 26. para o caso de F > 1 n2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 40 60 120 1 4052 98.71 15.06 9.29 4.05 3.29 2.73 1.23 14.50 3.50 2.62 4.33 27.08 3.67 8.26 3.12 3.69 2.05 14.20 7.16 1.34 4.60 4.39 5.65 9.89 2.26 2.06 3.92 14.27 3.17 2.37 3.40 8.32 11 6082 99.10 4.16 3.56 7.16 7.91 5.00 3.40 6.23 3.31 3.59 3.01 1.78 2.89 3.37 3.10 8.47 5.81 4.78 2.17 2.75 2.75 9.29 3.89 7.91 3.29 3.52 10.83 7.86 2.95 2.95 4.00 ∞ n1 = número de graus de liberdade do numerador n2 = número de graus de liberdade do denominador 155 .72 6.97 2.32 5.80 7 5928 99.13 13.66 2.48 3.56 2.07 2.07 3.53 1.25 4.35 4.25 4.36 3.04 4.82 3.07 4.32 5 5764 99.91 2.18 3.05 4.61 5.75 3.59 60 6313 99.37 5.65 9.11 6.61 3 5403 99.30 28.58 2.75 12.71 2.64 3.76 3.41 5.73 4.73 3.21 6.38 7.80 1.03 1.58 2.61 3.53 3.56 10.27 3.36 6.79 2.62 3.77 4.65 4.22 4.26 3.44 2.10 3.20 3.49 26.66 2.67 5.04 4.47 26.49 2.32 3.65 3.92 2.05 7.99 20 6209 99.10 3.92 9.31 2.02 2.48 3.60 6.31 2.89 4.50 3.06 2.93 2.01 3.86 4.37 3.68 4.25 28.00 3.49 14.60 3.42 2.35 2.64 7.75 2.52 4.46 26.39 9.60 7.29 7.09 3.99 2.02 3.31 6.20 4.56 4.19 4.84 2.84 3.70 3.50 13.80 2.78 3.

75 1.45 8.96 1.28 2.60 2.60 2.29 2.25 2.37 3.64 3.10 3.00 3 215.00 ∞ n1 = número de graus de liberdade do numerador n2 = número de graus de liberdade do denominador 156 .46 2.10 2.69 1.66 3.47 2.53 4.05 2.90 1.70 1.97 2.15 3.19 2.1 19.20 2.30 4.75 4.45 2.87 1.87 3.69 3.48 2.39 2.92 3.23 2.10 2.5 19.61 2.75 1.55 3.15 2.06 2.80 2.93 2.53 2.74 4.83 2.74 2.42 8.6 19.79 1.49 3.06 2.69 4.23 3.50 3.79 2.25 2.09 2.70 2.45 2.18 2.91 4.81 6.38 4.34 2.54 2.43 3.19 2.15 2.28 2.95 4.59 3.82 1.20 2.35 2.73 1.11 2.64 2.43 1.09 4.59 5.57 2.27 2.96 3.89 6.77 2.22 2.04 2.35 2.55 5.66 2.07 2.84 1.18 2.31 2.10 7 236.99 1.11 2.99 1.34 3.4 19.31 2.37 5 230.61 2.45 4.51 2.14 4.39 2.9 19.09 2.75 2.11 2.12 4.70 4.18 2.00 9.22 ∞ 254.91 1.84 1.29 2.56 2.00 3.96 1.32 3.21 6 234.53 2.67 1.88 1.11 2.65 1.36 2.96 4.87 3.18 3.13 2.37 2.46 2.34 2.74 3.60 4.28 2.02 1.72 2.99 2.06 2.74 2.26 4.24 2.42 8.97 1.28 3.79 1.69 5.37 3.68 2.15 2.10 2.87 2.90 2.03 2.46 3.05 4.99 1.30 3.59 2.80 2.60 2.50 2.12 3.60 3.43 2.94 1.06 2.55 6.4 18.03 3.28 2.98 3.01 1.28 3.08 2.51 2.13 2.22 2.91 2.23 2.84 4.10 2.85 2.10 3.77 1.71 2.04 2.84 2.04 1.94 5.75 1.15 2.18 2.96 2.34 2.98 2.49 2.15 2.92 2.38 8.89 1.81 1.89 4.04 4.01 1.62 5.04 1.84 1.08 2.9 19.24 2.52 3.51 2.06 2.96 1.52 3.29 2.16 4.20 2.81 2.91 1.14 2.68 1.32 4.43 8.97 1.59 2.49 2.90 2.32 2.Limites unilaterais de F ao nível de 5% de probabilidade.07 2.04 1.16 2.12 2.60 2.87 4.20 2.01 2.76 4.01 2.41 3.39 3.35 4.66 2.26 2.22 2.95 1.50 8.99 5.89 1.42 2.35 4.88 2.76 5.09 2.33 8.38 3.65 2.66 2.53 2.25 2.28 6.44 2.22 2.83 2.13 2.37 2.03 3.62 3.33 2.09 2.75 4.55 2.40 2.71 6.07 2.65 2.19 2.90 1.23 2.15 2.22 3.21 2.94 1.25 2.06 1.47 3.84 4.18 3.20 2.76 2.62 1.86 1.24 4.25 9.40 2.07 2.64 1.18 2.26 4.45 8.01 6.51 2.92 3.93 2.76 2.15 2.98 2.94 6.33 2.1 19.34 3.79 2.59 1.38 2.53 5.60 4 224.51 10.16 2.44 2.21 2.42 2.86 3.27 2.18 4.95 2.90 2.82 1.59 5.33 3.21 4.08 4.05 2.01 2.83 11 243.11 3.25 2.71 5.02 1.40 8.27 2.06 2.17 2.66 1.33 2.54 2.3 19.45 2.34 2.10 2.39 2.56 3.97 3.36 2.45 2.80 4.16 2.20 2.35 8.13 2.18 2.68 4.84 1.32 5.14 3.60 2.75 2.66 5.11 3.51 2.0 19.82 2.57 2.75 13 244.47 9.00 1.92 1.40 2.16 2.84 2 199.39 2.87 1.03 2.45 2.40 8.26 5.77 2.70 2.62 2.53 3.0 19.98 1.64 2.34 2.90 1.33 2.40 2.35 2.98 1.47 2.49 2.0 19.85 1.44 3.83 1.30 2.93 2.00 3.58 3.98 2.88 1.77 4.84 1.63 3.77 4.51 2.06 3.55 2.97 1.71 3.46 2.70 2.46 2.35 2.74 2.72 5.28 2.59 5.92 1.41 2.00 1.62 2.92 2.70 5.82 4.30 2.54 2.63 2.25 2.48 8.13 3.13 2.95 1.77 1.07 2.16 2.81 1.9 19.93 1.13 2.86 1.70 2.14 2.20 2.50 3.23 3.39 3.71 1.57 2.07 2.40 3.53 2.89 3.07 3.0 19.18 2.46 4.26 2.32 120 253.49 3.31 2.79 5.58 2.56 2.27 2.1 19.73 2.30 2.94 2.74 4.07 2.37 2.08 2.01 1.68 3.00 4.25 2.59 2.39 60 252.64 2.98 1.33 3.96 1.64 20 248.26 3.45 2.71 1.66 4.05 2.72 14 245.43 8.74 3.61 1.41 2.93 1.70 2.22 2.84 3.58 2.63 3.09 3.84 1.57 3.81 1.43 2.95 1.68 3.31 2.35 3.25 2.77 3.7 19.53 2.46 8.29 3.41 4.86 2.39 3.55 3.01 1.71 2.31 2.85 2.01 2.02 2.49 3.27 2.48 3.76 1.75 1.38 2.20 4.54 4.9 19.04 2.01 2.28 2.11 2.24 3.68 2.61 5.70 3.63 4.89 1.74 5.91 1.81 1.89 1.69 1.36 3.96 2.2 19.07 3.12 2.51 3.48 2.73 1.53 1.79 5.03 1.57 2.23 4.42 2.29 3.41 8.42 2.32 2.57 5.49 2.67 3.25 3.85 2.85 2.12 2.39 1.69 2.23 2.01 1.64 1.05 2.41 3.17 2.90 2.45 2.61 2.15 3.43 2.82 2.10 2.10 3.24 2.94 3.38 2.02 2.25 2.73 1.99 1.44 3.34 2.76 2.66 2.85 2.42 2.87 1.20 3.16 9.36 3.17 4.57 24 249.35 2.78 1.12 2.86 1.42 3.95 2.19 4.69 15 245.03 2.84 2.64 3. para o caso de F > 1 n2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 40 60 120 1 161.81 3.13 7.40 3.15 2.07 3.94 9 240.25 1.49 8.74 1.18 2.98 3.20 3.94 1.92 1.79 3.88 4.34 2.51 1.80 1.84 3.06 3.47 1.12 2.67 16 246.37 2.93 4.23 2.85 6.67 2.74 1.38 2.05 3.88 10 241.12 2.11 2.27 2.37 8.39 5.20 2.67 4.62 2.31 3.22 3.01 1.79 1.60 3.84 1.95 1.76 2.55 1.50 1.29 2.90 1.24 2.86 4.81 3.74 2.91 2.94 2.03 2.02 2.3 19.96 2.09 2.42 2.21 3.63 2.37 2.08 1.15 2.96 4.Anexo 1 – Formulário e Tabelas Tabela 3 .34 3.77 2.96 1.96 1.78 2.86 2.2 19.71 2.5 19.59 3.58 1.30 2.28 4.16 3.44 3.10 2.03 2.64 5.65 1.66 2.92 1.69 2.92 1.46 2.0 19.12 6.77 1.32 2.04 2.8 19.41 4.72 4.55 2.79 1.70 1.71 2.93 1.54 2.80 1.45 2.14 2.31 2.00 2.37 2.48 2.54 2.35 1.49 2.39 2.10 2.29 2.01 8 238.49 4.71 2.79 2.17 2.82 2.74 2.30 9.53 2.21 2.73 3.55 2.72 2.52 30 250.19 2.23 3.85 1.35 3.46 40 251.79 n1 12 243.48 3.

48 6.96 5.90 4.00 8.45 16 281.20 15.13 17.84 10.27 6.24 5.75 4.57 6.73 7.59 6.65 7.11 4.16 6.EST 220 – Estatística Experimental – I/2008 Tabela 4 .53 11.89 13.22 6.93 5.91 4.54 6.61 5.76 6.00 6.32 5.06 6.84 5.32 14.57 19 294.25 7.05 4.84 6.53 12.50 19.40 17.66 5.13 6.73 5.45 6.92 5.77 6.13 12.40 5.19 6.51 5.65 8.20 5.92 5.76 5.84 4.13 4.13 6.50 4.85 5.28 6.56 7.93 4.17 7.36 7.46 7.65 6.01 6.84 5.48 4.88 7.79 5.08 9.67 4.07 13.56 6.00 4.73 6.79 4.70 5.26 5.81 6.91 7.2 34.66 7.60 5.54 6.53 19.91 6.33 7.71 8.17 4.00 6.00 11.53 5.60 4.62 6.29 12.19 6.68 7.87 6.96 3.19 6.24 4.48 6.35 8.6 31.0 33.81 6.03 19.60 7.3 36.46 4.27 5.67 6.01 5.37 6.12 6.17 7.26 4.43 6.99 7.8 28.12 5.20 6.55 14.21 5.8 36.39 5.57 10.85 8.94 8.04 8.25 5.65 7.85 5.24 6.09 7.39 4.0 30.90 6.82 6.26 7.55 10.31 6.40 5.80 4.26 6.32 7.68 7.14 7.17 7.91 11.00 6.32 11.44 7.24 10.18 7.24 8.69 5.25 5.84 6.20 4.76 8.58 6.99 5.77 5.42 7.38 6.31 6.8 34.20 6.08 6.99 9 237.02 5.79 6.48 7.38 5.50 5.24 9.96 5.50 5.69 12.08 10 245.61 7.87 8.80 7.09 5.03 6.Valores da amplitude total estudentizada (q).36 6.60 6 202.88 8 227. para uso no teste de Tukey.21 9.93 9.03 14.96 8.66 6.89 3.03 6.81 9.22 13.58 8.50 7.78 6.2 29.68 5.52 13.55 8.19 5.10 4.41 6.0 19.35 6.81 18.21 4.17 5.24 11.71 7.97 7.37 4.43 5.00 18.32 4.33 5.71 4.02 3.87 6.02 4.23 7.94 7.95 4.98 5.15 7.3 37.21 6.20 11.06 6.46 6.93 6.15 6. ao nível de 1% de probabilidade I n2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 24 30 40 60 120 ∝ 2 90.44 6.73 5.09 5.66 8.60 4.26 6.97 5.90 6.65 6.29 5.56 7.52 7.32 7.97 6.02 5.01 5.37 7.44 5.51 6.66 6.80 5.82 4.81 13.54 5.10 9.85 6.81 7.87 4.97 5.67 6.13 7.71 5.61 I = número de níveis do fator em teste n2 = número de graus de liberdade do resíduo 157 .20 7.33 5.41 8.51 5.15 5.55 5.96 6.36 5.72 6.39 6.6 24.68 10.07 4.45 6.97 8.99 6.81 5.84 5.43 6.78 5.94 6.26 6.55 4.91 7.59 7.76 3.64 11.37 5.71 6.12 4 164.51 6.88 6.94 6.86 8.05 5.93 5.30 8.53 6.54 18 290.56 6.89 5.66 6.70 4.60 5.28 4.55 8.64 5.32 8.49 17 286.48 7.66 6.69 5.10 5.81 10.96 4.27 7.98 6.54 5.43 9.40 10.35 6.94 5.47 7.67 6.76 7 215.16 5.07 5.75 5.91 7.31 7.62 8.37 6.58 6.60 5.32 9.72 5.99 4.72 13.64 4.52 6.29 13 266.74 4.62 5.66 5.40 15 277.10 8.84 5.59 17.55 8.03 7.40 5 185.70 8.74 5.14 5.3 22.44 8.4 37.05 6.25 6.08 7.32 6.67 6.08 11.34 6.50 6.34 7.36 7.70 4.45 5.95 9.33 9.53 15.84 6.30 5.63 5.32 7.96 6.2 32.08 6.64 3 135.16 11 253.11 5.49 5.42 7.37 6.12 8.02 10.92 6.20 7.73 11.27 7.56 5.97 5.07 6.08 5.81 7.24 9.82 3.92 5.14 5.56 6.43 5.19 7.48 8.26 6.90 5.55 9.65 5.31 6.77 6.78 7.66 6.88 5.12 4.08 5.66 6.02 7.14 6.13 5.02 5.86 7.10 6.36 7.51 6.68 16.72 6.70 3.63 14.27 10.05 4.09 10.70 9.13 7.89 9.79 5.35 14 271.50 5.17 9.79 6.05 4.69 16.38 5.89 5.76 5.08 9.48 9.43 18.0 35.74 6.56 5.2 26.33 6.67 5.23 12 260.41 6.14 5.46 8.25 6.50 8.

70 7.70 15.29 6.93 12.09 8.60 8.45 8.61 6.53 7.99 11.95 7.30 8.18 8.21 10.12 8.60 8.87 10.8 43.38 6.71 24 310. ao nível de 1% de probabilidade (continuação) n2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 24 30 40 60 120 ∝ 20 298.22 8.54 11.49 20.48 7.16 5.09 5.16 10.45 16.46 14.04 7.65 8.42 7.34 7.05 6.32 7.86 8.61 22.23 7.40 8.57 9.77 10.92 6.20 8.07 7.51 8.9 45.50 7.91 32 330.01 7.04 8.25 7.4 47.38 9.36 7.17 6.96 7.33 7.88 9.3 41.15 20.76 21.33 6.26 8.21 6.3 48.28 11.04 8.38 7.52 7.58 9.87 7.61 8.71 17.17 14.3 42.42 6.92 7.51 8.19 7.92 8.09 6.85 6.00 7.1 46.35 8.1 50.54 8.95 15.16 8.40 8.40 7.49 8.15 8.10 9.77 6.33 21.32 6.74 7.30 7.29 8.83 24.68 12.25 8.00 12.02 11.57 9.02 7.19 8.36 8.47 6.01 6.32 21.44 7.91 9.84 21.22 6.93 7.93 10.49 8.12 5.20 7.31 11.57 9.46 8.80 8.48 8.16 12.22 6.39 16.17 7.08 7.34 11.37 7.15 7.92 7.96 9.58 10.44 9.49 6.74 6.23 10.79 7.65 8.57 10.55 12.56 7.Valores da amplitude total estudentizada (q).22 6.16 15.67 7.00 9.43 80 387.02 5.12 6.16 11.92 13.83 7.39 8.57 12.17 10.5 43.77 15.87 7.23 13.50 7.99 18.7 38.73 9.49 6.92 6.40 11.80 7.17 11.68 9.13 6.78 7.75 10.69 10.82 6.98 6.77 8.1 49.80 7.61 7.66 7.51 6.58 8.49 9.0 41.00 6.61 7.07 6.47 7.02 5.21 6.17 16.55 6.69 9.67 9.78 6.34 10.23 60 370.64 22 304.86 15.62 18.44 15.74 7.17 9.74 8.05 9.86 14.73 9.Anexo 1 – Formulário e Tabelas Tabela 4 .30 8.51 8.06 40 344.38 9.85 7.13 9.36 10.65 9.21 22.77 26 316.50 7.71 6.70 6.05 6.36 8.40 8.89 6.24 9.24 6.25 7.54 9.93 6.73 10.71 11.73 8.50 15.88 8.80 7.16 7.03 38 341.58 100 400.38 8.82 9.90 10.92 7.97 6.87 7.73 7.3 40.36 7.08 7.51 7.47 7.73 7.65 8.41 6.33 8.76 20.86 8.05 7.87 9.59 6.32 9.07 5.55 7.16 7.40 11.18 8.28 9.78 22.36 9.51 90 394.80 25.04 8.13 17.57 7.3 40.43 9.57 6.11 9.06 6.96 5.50 8.82 28 321.77 7.96 6.33 23.87 30 326.27 7.77 14.60 7.83 6.12 7.09 50 358.65 11.08 8.77 10.80 7.85 8.69 7.36 6.17 6.26 7.85 10.20 5.39 8.47 10.64 6.23 13.31 7.99 6.40 7.33 8.97 8.71 7.28 6.87 11.19 8.03 7.96 7.95 6.42 7.52 10.20 14.19 18.42 7.65 7.70 24.70 8.95 19.52 11.15 7.59 16.90 5.83 8.37 7.08 13.37 12.78 9.98 8.86 6.73 9.16 5.40 8.99 I 36 338.79 8.15 11.59 9.39 12.24 7.08 7.86 7.34 70 379.55 6.53 14.64 7.97 9.32 8.02 6.26 7.66 8.8 39.34 10.22 9.52 9.60 6.10 7.39 10.28 6.30 8.59 7.25 9.19 8.64 7.47 9.45 13.94 6.06 10.99 7.03 8.60 7.0 42.44 9.49 10.55 7.71 6.64 25.83 5.37 12. para uso no teste de Tukey.69 6.88 8.24 7.84 6.47 6.87 8.93 9.95 7.37 13. 58 8.63 8.11 8.15 8.47 8.80 8.75 13.88 6.70 7.26 8.92 11.78 6.64 I = número de níveis do fator em teste n2 = número de graus de liberdade do resíduo 158 .27 8.07 7.72 12.44 7.91 9.90 7.43 6.74 7.79 6.53 7.80 10.49 7.66 8.63 7.95 34 334.65 6.97 8.97 10.38 25.46 7.11 8.70 6.0 37.47 9.10 6.98 14.16 7.99 13.72 8.22 6.

55 5.85 6.09 6.55 6.44 6.72 5.88 5.35 5.92 5.57 5.72 7.96 4.71 5.18 5.98 11.43 5.26 5.67 4.74 5.36 6.31 5.94 7.45 4.52 4.04 5.04 5.90 4.64 4.35 5.71 5.32 5.23 3.15 5.97 26.63 5.38 16.00 6.05 7.85 4.80 10.83 7.61 4.03 8.17 4.93 8.63 5.82 37.80 3.37 16.83 4.05 6.65 15.57 16.10 4.02 6.79 5.40 5.38 5.69 10.89 3.15 4.87 3.10 7.65 4.09 5.32 6.04 58.31 5.60 5.47 7.67 6.66 6.37 4.38 5.60 7.50 4.03 13.39 4.36 49.22 58.15 5.82 6.16 6.56 4.95 4.EST 220 – Estatística Experimental – I/2008 Tabela 5 .11 11.65 5.92 5.00 3.62 4.22 5.02 5.53 10.96 3.04 4.73 4.60 5.21 3.83 7.26 4.12 6.04 5.29 4.06 6.69 3.08 15.71 5.03 6.01 5.75 15.03 8.92 6.31 3.66 8.67 4.12 45.91 16.75 2.09 6.71 5.73 5.30 4.92 7.03 9.84 10.03 3.19 6.29 6.81 5.79 5.64 4.17 4.27 5.91 6.00 5.17 4.73 6.49 5.79 5.68 5.74 3.77 4.01 3.18 9.11 5.43 7.46 5.68 5.65 4.36 2. ao nível de 5% de probabilidade n2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 24 30 40 60 120 ∝ I 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 17.90 5.20 5.41 4.11 5.98 4.99 5.79 5.40 3.72 9.12 5.64 4.30 4.65 5.66 5.84 5.61 5.08 40.60 4.39 4.15 10.72 5.21 3.25 5.49 5.05 5.71 4.94 6.82 4.13 9.16 5.81 4.65 6.43 6.01 I = número de níveis do fator em teste n2 = número de graus de liberdade do resíduo 159 .11 4.33 3.32 5.06 6.47 4.05 4.39 5.53 5.59 5.33 5.32 7.84 4.69 4.56 4.73 5.39 5.83 3.46 5.44 4.15 3.51 7.70 4.26 4.65 6.64 4.78 4.04 8.86 5.48 8.50 5.97 6.24 4.55 4.49 3.65 4.03 6.10 4.62 4.22 5.60 7.65 4.46 4.50 5.48 2.56 6.69 5.35 5.98 6.92 4.79 6.72 4.90 5.37 4.08 4.46 9.71 7.88 11.92 5.90 5.60 5.75 4.98 4.33 4.36 56.59 3.25 5.15 5.02 7.44 5.30 6.61 5.37 8.12 8.24 5.55 4.79 4.35 7.52 5.09 8.03 5.23 5.31 5.00 5.11 3.28 6.20 54.95 10.71 2.39 14.14 7.66 5.51 5.44 13.83 8.40 5.44 3.85 5.57 6.60 5.64 5.63 4.08 3.98 3.33 6.31 5.20 5.11 5.14 5.80 7.06 3.41 6.92 3.03 3.21 5.46 4.20 5.79 5.99 5.54 4.49 6.11 5.68 4.45 4.95 3.07 50.51 4.96 3.11 6.96 5.32 57.88 4.03 4.77 4.04 5.69 4.98 5.32 5.20 3.77 4.93 4.47 4.40 5.31 5.97 3.10 5.13 2.03 5.74 4.28 4.61 5.80 4.87 5.76 5.36 4.14 16.47 4.27 6.55 5.27 5.54 5.89 5.76 6.51 6.43 5.83 59.33 4.47 3.92 5.27 5.27 5.82 4.80 5.12 5.08 5.00 7.61 5.90 4.06 5.20 6.24 7.19 6.19 5.79 4. para uso no teste de Tukey.31 4.44 5.21 8.36 5.04 4.74 5.74 4.89 4.17 5.53 5.93 5.77 3.42 4.03 7.63 5.95 5.52 4.57 4.90 6.70 5.58 3.85 9.07 5.76 6.96 53.59 5.98 32.90 4.02 4.00 4.23 4.33 55.74 4.25 4.59 3.34 6.59 51.20 5.85 5.13 6.82 4.17 3.27 6.43 5.82 4.01 5.46 5.95 6.06 5.94 5.11 3.81 4.00 5.24 3.43 5.41 43.34 4.95 5.17 5.74 4.00 6.85 4.24 2.47 5.08 5.90 5.57 5.53 8.90 5.53 3.86 3.91 5.36 5.28 5.74 12.82 5.18 6.21 5.59 2.58 6.86 4.55 5.35 10.34 7.77 5.64 3.53 4.49 5.71 4.33 9.48 6.20 4.89 5.40 47.17 7.50 8.15 6.88 4.80 6.86 4.94 5.39 6.90 2.36 5.54 13.60 4.34 4.58 6.63 3.79 2.49 5.93 6.62 5.36 3.78 4.97 5.99 14.83 5.79 8.84 2.29 6.98 6.Valores da amplitude total estudentizada (q).16 4.13 5.23 4.91 9.43 5.

44 9.80 7.28 6.36 7.16 7.48 7.82 8.80 6.76 7.21 7.98 22.48 6.22 17.31 7.59 6.55 8.70 9.96 7.30 7.57 6.92 6.28 7.11 7.80 5.46 7.53 6.37 6.68 6.42 6.82 6.97 7.28 7.11 12.46 6.71 5.64 5.55 7.46 40 68.08 11.58 6.18 6.37 7.99 8.68 9.38 5.60 8.48 5.93 5.59 8.87 10.65 7.73 6.86 80 77.85 6.66 5.21 7.32 5.65 6.38 9.01 6.92 6.67 6.70 6.44 5.71 6.50 6.16 6. para uso no teste de Tukey.56 5.31 6.84 9.75 5.58 8.28 7.21 10.05 13.81 7.00 6.33 6.91 7.22 7.94 5.95 90 78.91 5.73 10.51 10.04 5.10 5.63 7.58 6.53 6.37 7.23 9.24 9.25 7.73 7.43 7.46 6.01 18.08 5.76 6.15 18.03 7.06 6.86 6.13 5.83 5.Valores da amplitude total estudentizada (q).26 6.22 6.04 5.63 6.72 8.42 8.89 6.79 6.37 8.99 6.26 8.23 18.30 32 66.05 9.63 6.50 10.40 7.45 11.32 6.13 11.93 6.47 6.86 6.35 7.51 6.13 7.96 14.77 7.48 6.65 6.41 6.Anexo 1 – Formulário e Tabelas Tabela 5 .87 6.40 6.00 5.31 6.23 6.75 7.36 10.22 6.50 50 71.41 8.26 6.62 6.73 7.97 20.02 100 79.58 6.93 5.80 5.21 6.53 8.37 6.62 6.51 7.75 5.81 6.45 6.39 6.42 7.71 6.67 8.69 9.55 6.07 6.92 19.82 21.75 6.97 6.08 6.06 6. ao nível de 5% de probabilidade (continuação).09 5.16 8.02 6.53 7.74 6.13 6.17 6.04 5.11 7.25 6.89 5.27 7.17 7.85 7.74 6.89 5.55 7.69 7.96 5.03 5.97 5.25 7.12 17.13 7.22 7.68 5.54 9.98 6.31 6.24 7.66 13.32 6.21 6.15 6.06 6.08 6.99 5.89 5.28 8.02 12.81 18.55 7.09 I = número de níveis do fator em teste n2 = número de graus de liberdade do resíduo 160 .19 7.71 7.88 8.77 21.95 9.85 6.17 6.91 17.69 7.36 11.10 6.63 8.42 6.27 6.79 6.70 5.54 6.65 60 73.05 6.77 5.13 5.91 6.59 14.15 6.09 6.83 6.50 12.63 10.49 7.71 5.21 6.97 7.38 6.26 19.76 11.86 7.08 24 62.89 5.39 6.93 6.65 6.08 6.81 5.37 6.30 7.13 8.47 9.42 6.79 5.49 6.09 10.18 9.68 6.88 6.43 5.76 5.31 6.32 6.43 6.80 6.27 5.43 38 68.42 6.20 5.75 10.84 5.00 8.51 5.04 7.57 5.98 8.74 8.90 7.55 7.36 7.24 6.13 6.44 6.97 5.97 6.90 7.31 6.76 70 75.91 8.48 6.76 8.93 5. I N2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 24 30 40 60 120 ∝ 22 60.53 9.14 26 63.31 7.36 10.11 6.64 5.59 6.45 7.99 6.18 6.37 6.98 7.74 6.73 20.64 5.40 8.44 7.53 5.87 9.62 5.94 5.92 10.18 7.04 7.55 7.35 34 66.74 6.45 7.30 6.67 7.87 6.82 12.57 5.63 7.56 18.09 7.39 5.58 5.84 8.72 12.11 6.28 12.56 6.54 6.23 6.21 7.98 5.75 11.69 6.99 6.73 7.19 7.38 6.85 5.11 6.37 6.08 8.21 6.09 5.25 30 65.61 5.25 8.92 12.39 7.01 5.11 5.43 8.20 28 64.03 5.16 14.51 5.64 7.33 5.40 21.28 6.05 6.15 7.33 8.08 7.53 8.27 12.55 7.39 36 67.20 6.12 8.53 7.34 9.95 6.54 6.88 8.66 6.27 6.28 8.29 14.17 8.43 6.15 6.78 6.34 7.31 7.45 5.42 7.05 6.61 11.85 5.38 7.59 6.22 6.98 6.93 9.

39 4.92 4.95 6.91 4.88 5.94 4.79 22 3.30 4.17 5.65 4.80 6.28 4.40 5.69 4.73 5.24 4.50 6.59 4.51 4.68 4.00 14.82 4.62 4.00 90.66 4.36 4.06 5.00 3 8.71 4.54 4.34 4.26 6.96 4.47 4.60 6.80 8.04 4.80 5.94 5.44 4.00 14.70 5.00 90.55 5.96 5.13 5.72 4.27 4.64 4.43 4.20 5.74 4.79 4.42 4.34 5.51 4.30 6.84 4.41 4.48 4.26 5.79 4.66 4.80 5.84 4.10 4.71 4.28 4.Valores da amplitude total estudentizada (z).21 4.30 4.18 4.34 4.49 4.24 5.26 4.62 4.20 7.07 5.00 90.74 4.78 4.00 14.14 5.30 7.75 24 3.45 4.54 5.37 4.65 4.63 4.38 4.81 4.31 4.42 4.80 6.80 4.12 5.20 7.96 6.00 14.70 5.32 4.84 4.71 4.39 4.00 9.42 4.36 5.99 4.33 4.30 4 6.72 4.33 4.00 14.61 4.00 9.36 4.00 6.64 3.00 14.06 4.15 5.50 4.60 4.55 11 4.56 4.17 4.76 4.90 6.84 4.67 4.69 4.50 4.07 5.76 4.67 30 3.56 4.65 4.00 6.24 4.93 4.64 4.94 17 4.00 5.22 5.89 4.63 4.22 5.58 4.00 4.53 4.76 4.55 4.82 20 4.98 5.91 4.56 4.08 4.51 5.90 4.70 10 4.00 90.00 90.53 5.58 4.82 4.14 5.38 4.11 4.48 4.75 4.89 4.57 4.70 6.26 5.80 5.07 4.00 14.57 4.07 5.48 5.41 4.23 4.31 4.80 5.17 4.23 5.25 4.34 4.50 5.80 9 4.00 9.46 4.77 4.86 3.50 6.13 5.22 4.50 5.17 4.74 4.40 4.00 14.13 5.00 90.44 4.28 5.60 5.20 4.50 4.08 5.70 6.26 8.82 3.85 4.72 26 3.06 5.30 7.41 4.00 5.50 5 5.50 5.20 6.70 5.51 6.00 16 4.91 4.60 4.80 5.72 4.18 6.96 5.94 4.13 4.79 4.79 4.75 4.51 5.35 4.37 4.30 9.76 3.86 4.30 7 4.69 4.80 3.17 4.39 4.80 6.14 4.55 4.01 5.84 4.70 5.50 7.63 4.17 4.20 6.40 7.30 7.60 5.34 4.65 4.14 4.39 5.06 4.47 4.40 7.70 5.47 4.48 ∞ 3. ao nível de 1% de probabilidade n n2 2 3 4 5 6 7 8 9 10 12 14 16 18 20 1 90.90 3.26 4.88 4.16 4.00 7.87 4.38 5.53 4.71 4.48 4.61 4.17 4.73 4.96 5.00 4.43 4.72 4.69 4.20 9.36 4.48 4.46 4.89 4.41 50 90.00 2 14.58 4.90 9.74 5.04 5.72 4.15 14 4.99 5.61 5.30 6.79 4.21 4.64 4.03 4.88 4.10 6.09 4.94 4.07 15 4.29 4.26 13 4.67 4.30 6.00 14.50 6.90 5.34 4.10 7.65 4.10 7.92 4.50 4.86 4.70 4.00 90.76 4.17 5.68 4.00 90.15 5.24 5.85 19 4.69 28 3.77 4.68 4.73 4.97 4.00 8 4.64 4.53 4.25 5.70 5.30 4.60 4.68 4.00 90.71 3.90 8.45 5.54 4.59 60 3.30 7.00 14.24 4.22 4.45 4.83 4.60 6.15 5.70 8.00 90.24 5.88 4.75 4.44 6.55 5.40 5.78 4.73 4.81 5.95 5.58 4.27 4.69 5.90 7.86 4.00 6.50 4.00 90.70 4.65 40 3.80 6 5.76 4.74 4.62 4.04 5.73 4.38 4.05 4.60 100 90.39 4.EST 220 – Estatística Experimental – I/2008 Tabela 6 .39 12 4.98 4.12 4.53 4.72 4.46 4.53 100 3.08 5.60 8.36 5.06 5.24 5.94 4.98 4.45 4.00 14.00 5.65 5.00 14.28 5.42 5.32 4.83 4.39 5.82 4.00 14.67 4.35 4.21 4.57 4.37 5.00 90.32 5.61 4.00 5.53 4.89 18 4.88 4.11 4.00 14.47 5.02 4.85 4.40 6.11 6. para uso no teste de Duncan.00 90.64 4.00 9.93 4.41 4.02 5.10 9.62 4.33 6.63 4.32 5.00 9.00 14.73 5.81 4.68 n = nº de médias ordenadas abrangidas pelo contraste n2 = nº de graus de liberdade do resíduo 161 .50 8.67 4.99 4.99 5.10 4.60 4.54 4.

46 3.37 3.35 3.0 18.0 2 6.47 3.53 3.47 26 2.86 3.48 3.68 3.43 3.47 3.0 18.42 3.46 3.32 3.48 3.67 n = nº de médias ordenadas abrangidas pelo contraste n2 = nº de graus de liberdade do resíduo 162 .15 3.09 3.47 3.46 3.68 3.68 3.47 14 3.46 3.46 3.92 3.09 6.29 3.45 3.43 3.83 3.47 3.20 3.07 3.21 3.23 3.50 4.42 3.01 4.56 3.47 3.13 3.47 3.46 3.45 3.18 3.27 3.50 4.43 3.09 4.47 3.39 3.74 3.05 3.26 3.45 3.20 3.47 3.34 3.61 3.02 4.46 3.00 3.53 ∞ 2.47 3.83 3.43 3.56 3.68 3.40 3.56 3.46 3.47 3.61 3.34 3.35 3.79 3.02 4.93 3.41 3.46 3.36 3.47 3.47 3.52 3.44 3.37 3.08 3.43 3.47 60 2.08 3.89 3.56 3.52 3.46 3.42 3.40 3.61 3.42 3.33 3.43 3. ao nível de 5% de probabilidade n n2 2 3 4 5 6 7 8 9 10 12 14 16 18 20 50 1 18.39 3.44 3.02 4.26 3.40 3.0 18.60 3.15 3.50 4.47 3.42 3.35 3.30 3.83 3.47 3.39 3.31 3.43 3.68 3.0 18.68 3.12 3.47 3.47 3.37 3.06 3.47 3.21 3.44 3.83 3.02 5 3.40 3.61 3.47 28 2.93 4.46 3.10 3.41 3.68 3.47 3.52 3.39 3.30 3.61 100 18.47 3.25 3.26 3.29 3.44 3.39 3.68 3.33 3.09 6.48 100 2.50 4.0 18.50 4.50 4.47 3.30 3.47 3.23 3.52 10 3.47 18 2.30 3.50 4.95 3.03 3.45 3.39 3.47 3.0 18.38 3.31 3.46 3.48 3.44 3.02 3.18 3.38 3.47 22 2.04 3.39 3. para uso no teste de Duncan.41 3.02 4.44 3.36 3.02 4.61 3.43 3.47 3.09 6.68 3.97 3.47 15 3.41 3.02 4.52 3.47 3.27 3.52 3.45 3.36 3.47 30 2.68 7 3.43 3.47 3.09 6.44 3.02 3.52 3.0 18.34 3.41 3.46 3.02 4.83 3.22 3.37 3.48 3.22 3.91 3.45 3.48 11 3.13 3.40 3.38 3.25 3.0 6.47 3.26 3.24 3.47 20 2.47 40 2.54 3.37 3.34 3.83 3.Anexo 1 – Formulário e Tabelas Tabela 7 .27 3.45 3.20 3.09 3 4.09 6.35 3.0 18.95 3.40 3.30 3.46 3.15 3.68 3.35 3.01 3.43 3.46 3.47 3.56 3.45 3.52 3.83 3.31 3.50 4.27 3.38 3.32 3.02 4.35 3.47 3.98 3.37 3.45 3.77 2.61 3.40 3.52 3.09 6.06 3.37 3.47 24 2.50 4.45 3.11 3.0 18.47 3.50 4.47 16 3.14 3.61 3.32 3.0 18.41 3.83 3.41 3.52 3.83 2.48 3.56 3.44 3.32 3.30 3.47 3.44 3.37 3.34 3.36 3.22 3.42 3.30 3.47 3.14 3.48 3.39 3.02 4.36 3.98 3.24 3.31 3.47 3.46 3.44 3.08 3.83 3.47 3.48 3.47 3.46 3.47 3.48 12 3.27 3.47 3.64 3.0 18.12 3.42 3.52 3.50 4.41 3.96 3.0 18.02 4.Valores da amplitude total estudentizada (z).09 6.02 4.47 3.0 18.21 3.11 3.22 3.46 3.58 3.35 3.20 3.50 4.55 3.19 3.52 3.37 3.46 3.80 2.46 3.36 3.37 3.16 3.47 3.38 3.12 3.44 3.34 3.47 3.50 3.46 3.68 3.40 3.28 3.17 3.90 3.38 3.47 3.47 3.44 3.15 3.46 3.56 9 3.47 3.28 3.47 19 2.09 6.45 3.09 6.33 3.42 3.41 3.04 3.83 3.01 3.61 3.58 3.47 3.48 13 3.18 3.10 3.46 3.44 3.46 3.61 3.56 3.56 3.47 3.33 3.50 4.09 6.50 4 3.56 3.17 3.46 3.02 4.09 6.64 3.47 3.33 3.46 3.26 3.47 3.50 4.45 3.28 3.23 3.35 3.92 3.29 3.38 3.09 6.83 6 3.47 17 2.09 6.45 3.50 4.45 3.25 3.44 3.83 3.83 3.47 3.0 18.68 3.33 3.61 8 3.61 3.47 3.29 3.35 3.46 3.47 3.47 3.46 3.43 3.19 3.09 6.47 3.56 3.44 3.

EST 220 – Estatística Experimental – I/2008 Tabela 8 .179 0.Valores críticos (dc) para o teste de Lilliefors (adaptado de Barbetta et al.190 0.206 0.734 0.200 0.220 0.245 0.348 0.294 0.300 0.258 0.268 0.2004) α=5% 0.235 0.331 0.227 0.261 0.405 0.231 0.249 0.234 0.250 0.364 0.200 0.319 0.161 0.886 N>30 dc = N n 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 25 30 α=1% 0.285 0.311 0.239 0.337 0.213 0.031 dc = N 163 .284 0.381 0.271 0.275 0.173 0.242 0.187 1.257 0.

49983 0.49958 0.5 2.35993 0.49973 0.49972 0.48679 0.49711 0.40988 0.49906 0.05 0.28524 0.36433 0.48169 0.49865 0.44179 0.1 1.49916 0.49988 0.49992 0.49994 0.27935 0.44520 0.45154 0.37900 0.2 0.2 2.9 1.45352 0.49893 0.49430 0.49774 0.45637 0.49010 0.49997 0.49653 0.4 1.08317 0.28814 0.47558 0.42507 0.49720 0.02790 0.49983 0. Z.47670 0.47500 0.49585 0.07 0.27035 0.21904 0.49977 0.32894 0.49224 0.49598 0.49913 0.49379 0.49180 0.35769 0.1 0.49202 0.49931 0.49874 0.15542 0.49962 0.08 0.49986 0.4 2.49995 0.07926 0.46485 0.24537 0.33398 0.15173 0.49980 0.3 1.40658 0.49948 0.18439 0.46327 0.01595 0.49993 0.38100 0.48422 0.49994 0.5 0.02 0.38298 0.1 3.45543 0.17364 0.42785 0.34849 0.48030 0.24857 0.25175 0.14431 0.21566 0.8 3.49926 0.16276 0.43319 0.48300 0. tal que F(z) = P(0 ≤ Z ≤ z) z 0.11409 0.21226 0.49953 0.42364 0.49991 0.39617 0.49995 0.49643 0.49965 0.49990 0.48500 0.49492 0.14058 0.42647 0.43822 0.48124 0.49831 0.49996 0.49900 0.17003 0.09095 0.44845 0.42073 0.19146 0.20194 0.43056 0.34614 0.49944 0.49968 0.49520 0.37076 0.49987 0.40320 0.47725 0.8 2.30234 0.49998 0.10642 0.7 2.19497 0.26424 0.14803 0.15910 0.0 0.49788 0.12172 0.1 2.41308 0.38686 0.48928 0.26730 0.43574 0.49889 0.49609 0.48574 0.49960 0.49991 0.6 3.48341 0.49976 0.44408 0.49918 0.49752 0.43699 0.49940 0.49993 0.00000 0.36214 0.2 3.49994 0.3 0.49134 0.38493 0.49978 0.49997 0.0 2.49903 0.47982 0.49728 0.40490 0.45053 0.37698 0.49795 0.16640 0.49971 0.48983 0.49846 0.49995 0.31859 0.18082 0.0 3.47882 0.41149 0.49946 0.39435 0.49825 0.36864 0.32381 0.03586 0.49573 0.39065 0.45994 0.48645 0.49987 0.49819 0.Anexo 1 – Formulário e Tabelas Tabela 9 – Valores da função de distribuição acumulada da normal padrão.35543 0.46638 0.49985 0.49978 0.29673 0.49996 0.49996 0.42922 0.49970 0.25804 0.49086 0.49036 0.49878 0.49929 0.48610 0.49995 0.49997 0.49061 0.49305 0.05962 0.49981 0.48461 0.22240 0.7 3.49683 0.47932 0.49924 0.33646 0.49995 0.49985 0.49997 0.29955 0.9 2.31057 0.48899 0.4 0.49343 0.46784 0.49950 0.49975 0.23565 0.33891 0.49964 0.47441 0.45907 0.20540 0.49993 0.04 0.43448 0.3 2.31327 0.49413 0.49632 0.12930 0.39973 0.35314 0.5 3.10257 0.25490 0.48214 0.49934 0.46407 0.49841 0.6 0.46995 0.49767 0.49966 0.49998 0.49807 0.26115 0.49989 0.12552 0.48077 0.35083 0.49921 0.11026 0.05172 0.9 3.39796 0.42220 0.44062 0.43189 0.07142 0.01197 0.49801 0.45254 0.49813 0.47128 0.0 1.49396 0.48840 0.47615 0.49974 0.44630 0.48870 0.04380 0.7 0.49910 0.49997 0.49560 0.46164 0.01994 0.49111 0.04776 0.09 0.17724 0.49996 0.9 4.00399 0.03188 0.48956 0.49942 0.43943 0.49997 0.49955 0.44738 0.09483 0.49702 0.49324 0.0 0.46926 0.49869 0.03 0.49992 0.46856 0.45449 0.6 1.23237 0.49547 0.48713 0.49986 0.47381 0.49861 0.13307 0.49286 0.22907 0.49693 0.49981 0.49990 0.28230 0.47193 0.46080 0.27337 0.29389 0.41774 0.37286 0.07535 0.49961 0.49938 0.06 0.32639 0.49674 0.49992 0.34375 0.41621 0.49621 0.32121 0.49998 164 .13683 0.45818 0.4 3.48778 0.49856 0.49886 0.49996 0.38877 0.49158 0.34134 0.49992 0.03983 0.49969 0.49952 0.37493 0.49245 0.49760 0.46712 0.39251 0.49506 0.48537 0.49744 0.23891 0.49979 0.02392 0.49997 0.49997 0.48257 0.49982 0.8 1.47257 0.49984 0.49988 0.46562 0.49361 0.05567 0.49664 0.29103 0.18793 0.49989 0.47062 0.49736 0.49461 0.7 1.2 1.31594 0.49998 0.49446 0.47778 0.30785 0.22575 0.24215 0.00 0.36650 0.06356 0.49781 0.47320 0.00798 0.49896 0.06749 0.48382 0.45728 0.49477 0.49996 0.40824 0.5 1.49534 0.44950 0.48745 0.8 0.49882 0.49851 0.48809 0.08706 0.49266 0.33147 0.11791 0.44295 0.49836 0.19847 0.20884 0.49957 0.3 3.49936 0.46246 0.27637 0.41466 0.01 0.47831 0.30511 0.40147 0.49994 0.09871 0.6 2.49990 0.41924 0.

2494 0.0337 0 7 0.2705 0.6838 0.6020 0.5685 0.1429 0.0234 0.5153 0.1602 0.1069 0.0461 0.2278 0.0745 0.5536 0.6602 0.4094 0.0827 0.1111 0.5209 0.1338 0.0796 0.0632 0 3 0.8988 0.7808 0.0682 0.2541 0.4450 0.2419 0.2462 0.0567 0.4401 0.7335 0.4783 0.2871 0.6161 0.7341 0.8332 0.5195 0.4347 0.4230 0.4884 0.4031 0.0895 0.3974 0.1225 0 2 0.2353 0.0958 0.1111 0.3067 0.1915 0.0489 0 5 0.3135 0.3568 0.EST 220 – Estatística Experimental – I/2008 Tabela 10 – Valores críticos para teste de Cochran para homogeneidade de Variâncias α = 1% I 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞ 1 0.1970 0.2000 0.1635 0.0167 0.0998 0 2 0.4627 0.8335 0.0503 0.8831 0.1157 0.5000 0.3595 0.3704 0.2022 0.1454 0.2500 0.0957 0.0934 0.3029 0.1374 0.1308 0.6059 0.8534 0.0780 0.1281 0.4247 0.5259 0.9950 0.3919 0.0167 0.0960 0.1567 0.0771 0.1501 0.1137 0.4751 0.1501 0.0759 0 3 0.0495 0 4 0.2901 0.5875 0.8539 0.9392 0.3351 0.3817 0.5747 0.3333 0.5895 0.4709 0.0567 0.0879 0.1406 0.2940 0.4226 0.4469 0.7606 0.5037 0.6329 0.5321 0.1616 0.3572 0.3529 0.3733 0.3522 0.1377 0.4800 0.9423 0.1250 0.2704 0.6258 0.7457 0.1576 0.1929 0.3099 0.1033 0.0668 0.2813 0.2002 0.0363 0.7218 0.1082 0.1667 0.7679 0.5531 0.2297 0.2680 0.1286 0.1593 0.7885 0.0120 0 ∞ 0.7544 0.1248 0.1671 0.3911 0.6528 0.6062 0.3980 0.0898 0.7814 0.8643 0.7271 0.0816 0.0867 0.2659 0.1054 0.2288 0.0125 0 ∞ 0.6287 0.0658 0.0595 0.4608 0.8828 0.4057 0.2020 0.3932 0.0743 0.1918 0.2000 0.4069 0.9933 0.2568 0.3248 0.0604 0.3297 0.0480 0.9279 0.5410 0.3185 0.3616 0.2535 0.6530 0.0675 0.3720 0.9586 0.1135 0.1251 0.1700 0.7175 0.7067 0.2214 0.1100 0.6333 0.2612 0.0968 0.1144 0.8159 0.1961 0.1403 0.2593 0.5598 0.0889 0.3384 0.0462 0.4307 0.0371 0 6 0.3333 0.1656 0.1820 0.3264 0.2370 0.2412 0.1646 0.2758 0.1535 0.0713 0.2439 0.0722 0.3910 0.4697 0.0316 0.0411 0.1921 0.1232 0.3308 0.1608 0.0344 00178 0 144 0.3434 0.4866 0.3317 0.5635 0.6385 0.3645 0.2926 0.0625 0.7949 0.8772 0.0333 0.9669 0.1061 0.1911 0.5702 0.4447 0.6771 0.1376 0.0165 0 144 0.2858 0.1108 0.9172 0.2205 0.1283 0.2624 0.4659 0.9750 0.3105 0.2034 0.0245 0.0316 0 10 0.6129 0.3934 0.0887 0.5897 0.5065 0.0667 0.0520 0.7880 0.1250 0.2829 0.0709 0.2513 0.4799 0.0623 0.1131 0.4810 0.3592 0.4564 0.7945 0.4748 0.4084 0.2151 0.3632 0.9794 0.5175 0.2945 0.0292 0 9 0.3043 0.2882 0.1508 0.0921 0.0347 0.1907 0.5365 0.9676 0.7977 0.0250 0.0942 0.0853 0.5017 0.1237 0.3067 0.8674 0.0250 0.0457 0.1811 0.0302 0 16 0.0833 0.1160 0.8709 0.6798 0.1446 0.1357 0.7933 0.4229 0.3207 0.1000 0.0552 0.3726 0.1992 0.1157 0.5466 0.6912 0.2386 0.9065 0.0497 0.3311 0.0266 0 16 0.0419 0 5 0.1100 0.4775 0.4366 0.3154 0.9057 0.0583 0.2823 0.1667 0.3251 0.4241 0.5981 0.1735 0.3286 0.0902 0.3751 0.2666 0.4251 0.0083 0 9 0.0417 0.2929 0.3924 0.6761 0.2229 0.6167 0.1000 0.8823 0.0387 0 K–1 7 8 0.3362 0.6152 0.2299 0.1833 0.3682 0.2500 0.1113 0.1422 0.2950 0.1759 0.2861 0.3378 0.0417 0.0242 0 36 0.1737 0.1002 0.1737 0.2756 0.3066 0.2354 0.3106 0.0500 0.0833 0.0810 0.2439 0.3093 0.0585 0 4 0.1493 0.5000 0.5612 0.2295 0.0083 0 I 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞ Em que: I= nº de tratamentos e K: nº de repetições 165 .0668 0.2654 0.5157 0.2644 0.6025 0.7071 0.8010 0.1495 0.8376 0.7212 0.2119 0.0594 0.1521 0.3428 0.5727 0.5080 0.0765 0.2768 0.4387 0.0312 0 8 0.8412 0.1815 0.2048 0.7107 0.0595 0.3894 0.1612 0.3259 0.2880 0.1980 0.6957 0.2226 0.2514 0.1736 0.5441 0.1429 0.6410 0.1748 0.2195 0.3373 0.0429 0 6 0.1060 0.3870 0.2228 0.1216 0.1877 0.1259 0.1371 0.4854 0.2098 0.1655 0.2187 0.5813 0.1913 0.9985 0.2320 0.1429 0.3584 0.0334 0 0 α = 5% K–1 1 0.0218 0 36 0.0357 0.1327 0.4118 0.5358 0.3535 0.4027 0.4803 0.4105 0.1303 0.3346 0.0279 0 10 0.2104 0.6644 0.4377 0.9999 0.2032 0.0333 0.2419 0.6743 0.0500 0.6841 0.4184 0.4884 0.9373 0.2779 0.0667 0.

309 0.36 N Em que N= nº de unidades experimentais (N=I*K.468 0.81 0. I: nº de tratamentos e K:nº de repetições) 166 .338 0.224 0.624 0.391 0.563 0.349 0.995 0.210 0.317 0.238 0.430 0.227 dc = 136 .361 0.361 0.513 0.975 0.327 0.392 0.432 0.617 0.Anexo 1 – Formulário e Tabelas Tabela 11 – Valores críticos (dc) para o teste de Kolmogorov-Smirnov (adaptado de Barbetta et al.669 0.198 α=1% 0.409 0.842 0.264 0.734 0.449 0.269 0.576 0.430 0.242 0.542 0.252 0.2004) N 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 25 30 35 40 45 50 N>50 α=5% 0.294 0.290 0.519 0.375 0.829 0.371 0.483 0.352 0.318 0.490 0.301 0.404 0.418 0.929 0.454 0.708 0. N dc = 1.

o número de graus de liberdade associado à T é igual a k – 1. De acordo com a definição da fórmula geral. cada valor elevado ao quadrado deve ser dividido pelo número de observações que originou aquele valor. digamos T. Para estimar esta variação. e existe um valor sendo i =1 ri ⎛ k ⎞ ⎜∑ Xi ⎟ ⎝ i =1 ⎠ 2 subtraído. a fórmula de Soma de Quadrados para T (SQT) pode ser escrita como: ⎛ k ⎞ ⎜ ⎟ ⎜ ∑ Xi ⎟ 2 k X i ⎝ i=1 ⎠ SQT = ∑ − k i=1 ri ∑ ri i=1 2 em que: X i = total observado para cada nível de T. O denominador da fórmula de QMT. se refere à diferença entre o número de termos que estão sendo somados e subtraídos no cálculo da SQT. se refere à soma de todas as observações ( ri ) incluídas no primeiro termo. Este total se refere à soma de todas as observações contidas no i-ésimo nível de T. O termo com sinal positivo. o denominador. ou seja.EST 220 – Estatística Experimental – I/2008 Anexo 2 . Neste segundo termo. considera a soma conjunta dos totais de todos os iésimos níveis de T. Pode-se também visualizar dois termos na fórmula de SQT.Fórmula geral para o cálculo de soma de quadrados Suponha que se deseje estimar a variação entre os níveis de uma determinada Fonte de Variação. i 167 . ∑ i . o numerador se refere à soma de todos os totais ( X i ) incluídos no primeiro termo e. Em termos gerais. considera os totais individuais de cada i-ésimo nível de T. pode-se dizer que na fórmula de SQT. ou seja. calcula-se o Quadrado Médio de T (QMT) de acordo com a fórmula geral dada por: SQ QMT = gl Em termos gerais. pois no cálculo da k X2 SQT existem k valores sendo somados. ri = número de observações que foram somadas para se obter o total X i . k = número de níveis de T. Já o termo com sinal negativo. número de graus de liberdade. ∑r i =1 k .

. interação entre fatores e regressão. é necessário apenas identificar o que representa X i e o que representa ri . o que representam X i e ri para algumas possíveis fontes de variação de uma análise de variância. Fonte de Variação Total Tratamentos Blocos Linhas Colunas Fator A Fator A / BJ Xi cada observação total do i-ésimo tratamento total do i-ésimo bloco ri Parcelas igual a um número de observações associado ao total do i-ésimo tratamento número de observações associado ao total do i-ésimo bloco total da i-ésima linha número de observações associado ao total da i-ésima linha total da i-ésima coluna número de observações associado ao total da i-ésima coluna total do i-ésimo nível de A número de observações associado ao total do i-ésimo nível de A total do i-ésimo nível de A número de observações associado ao dentro do j-ésimo nível de total do i-ésimo nível de A dentro do jB ésimo nível de B total da i-ésima parcela número de observações associado ao total da i-ésima parcela OBSERVAÇÕES: . Como relatado anteriormente.Anexo 2 – Fórmula Geral para Cálculo de Soma de Quadrados Para o uso da fórmula geral. 168 . para cada fonte de variação. . X i é o total observado para cada i-ésimo nível da FV e ri é o número de observações que originou o respectivo total X i .Esta será a única fórmula fornecida em prova para o cálculo de soma de quadrados.Cabe ao aluno praticar a aplicação desta fórmula nos exercícios existentes. Veja na tabela a seguir.Esta fórmula geral não se aplica para o cálculo das fontes de variação: resíduo.

5 . Se o computador que você está instalando o SAS tiver o Windows 98 como sistema operacional. escolher "Arquivo/Mapear Unidade de Rede". 169 . 3 . Para instalar este editor.com o mouse. 4 . clique nela duas vezes.EXE" final pode ou não aparecer dependendo de como seu micro esta configurado. 3 . aperte o botão esquerdo (sem soltar) neste ícone e arraste-o para sua tela de computador (será criado um atalho para o executável do SAS).escrever no campo apropriado "estatisticos" (sem aspas e sem acento) e clicar com o mouse em "Localizar Agora". 6 . siga as seguintes instruções: 1 . vai aparecer uma nova janela onde se tem a opção de escolher a "Letra da Unidade". 7 .pode-se agora fechar todas as janelas abertas neste processo. uma pirâmide com a ponta para baixo e uma bolinha vermelha orbitando a pirâmide).na parte superior da janela.EXE" (o ".quando aparecer o computador estatisticos clicar duas vezes com o mouse nele. clique nela duas vezes. ao aparecer um novo grupo de arquivos "clique" duas vezes na pasta "BUNDLES". Siga todos os passos para a instalação do Enhanced Editor. "clicar" UMA única vez nela.na nova janela aparece uma nova pasta "SAS". 5 . possivelmente você obterá uma mensagem de erro na janela LOG que significa que o Enhanced Editor não foi instalado. procure pelo ícone Setup.Feche todos os aplicativos. 7 – na nova janela. ao aparecer um novo grupo de arquivos clique duas vezes na pasta "V8" e procure pelo arquivo "SAS. finalmente clique em "OK". 2 . 2 . Clicar duas vezes nele.ir no "Iniciar/Localizar/Computador" da barra de tarefas que fica na linha inferior da tela. mas trata-se de um ícone cinza. 4 .ir no "Iniciar/Localizar/Computador" da barra de tarefas que fica na linha inferior da tela do seu computador. Clicar duas vezes nela.EST 220 – Estatística Experimental – I/2008 Anexo 3 .escrever no campo apropriado "estatisticos" (sem aspas e sem acento) e clicar com o mouse em "Localizar Agora". onde aparece a pasta "SAS-V8". "clicar" DUAS única vez nela. siga os passos fornecidos a seguir: 1 . Basta agora clicar duas vezes no ícone do "SAS" criado na sua tela principal para que o SAS seja executado. 6 – na nova janela aparece uma pasta Eeditor. em geral não é recomendável).quando aparecer o computador estatisticos clicar duas vezes com o mouse nele vai aparecer uma nova janela com a pasta "SAS-V8".Introdução ao uso do programa SAS 1 Instalação do programa SAS em computadores conectados na rede da UFV O programa SAS encontra-se disponível na rede da UFV.na nova janela aparece uma nova pasta "SAS". vai aparecer uma nova janela com a pasta "SAS-V8". escolha a letra "S" (você pode marcar ou não a caixinha de "Reconectar ao iniciar". Para instalar este programa em seu computador.

170 . O usuário também pode submeter os seus programas usando esta janela. log e output. clicar duas vezes no ícone do SAS.1. Na versão 8. Inicialmente as “janelas” existentes no SAS são apresentadas. Output e Editor OBS: Estas instruções foram adaptadas do README que consta no computador estatisticos onde o SAS encontra-se instalado.1 Janela do Editor de Programas (Editor Program window) A janela do Editor de Programas é usada para editar programas e arquivos de dados. São elas: editor de programas. É por meio delas que o usuário se interage com o SAS.0 existem dois tipos de editores: Program Editor e Enhanced Editor.1 Janelas existentes no programa SAS Existem três janelas principais no ambiente SAS. 2 Conceitos Básicos no SAS Esta seção tem como objetivo introduzir o usuário ao ambiente SAS.Anexo 3 – Introdução ao Uso do Programa SAS 8 – após isto. 2. Detalhes de cada uma delas são apresentados a seguir. 2. O programa agora deve conter 3 janelas abertas: Log. O último tem as mesmas características do primeiro com a vantagem de indicar erros de programação por meio de um jogo de cores no código do programa.

para realizar um conjunto de tarefas. antes de submeter um novo programa.2 Elaboração de programas do SAS (SAS jobs) Um programa no SAS nada mais é do que um conjunto de comandos próprios (palavras chaves) do SAS. O exemplo a seguir ilustra um DATA step. Consulte o help do SAS para verificar como isto deve ser realizado. consiste de dois passos (steps) distintos: 2.3 Janela de Saída (Output window) Os resultados da execução de um programa são apresentados nesta janela. 171 . é sempre bom olhar a janela de mensagens. indicam que “pequenos” erros de programação foram encontrados. pois pode ser que o “concerto” dele não seja correto). o conjunto de dados for “grande”.1. Se ao contrário. Normalmente.. Mensagens em verde.1 1o Passo: Data step No data step. 2. se “pequeno”. Mensagens em vermelho. É aconselhável que. em geral.. Tais erros. word.1. indicam que o SAS encontrou um erro de programação grave. suas posições no arquivo de dados. o usuário verifique as mensagens referentes ao programa que submeteu. bem como o seu tipo (caracter ou alfanumérica).2. que são usados em uma sequência lógica. Em geral. mas que o próprio SAS “concertou” (com c mesmo. o mesmo deve ser salvo em arquivo à parte e o caminho para o SAS buscá-lo deve ser informado no DATA step. Como mencionado anteriormente.EST 220 – Estatística Experimental – I/2008 2. podem impedir que uma programa seja executado e consequentemente nenhuma saída é obtida. Aconselha-se também que.) devem ser “importados” para o programa SAS. etc. pode ser inserido no programa. O conjunto de dados. os programas do SAS são normalmente editados na Janela do Editor de programas. deletar as mensagens existentes. mensagens em azul indicam que não existem erros de programação. Neste passo deve ser informado o nome de todas as variáveis. Vale lembrar que saídas poderão ser geradas mesmo quando existirem erros de programação. arquivos de dados gerados em outros softwares (excel. 2. antes de começar a interpretar os resultados mostrados na janela de saída. Um programa no SAS. Portanto. dados são lidos e convertidos em um arquivo de trabalho do SAS.2 Janela de Mensagens (Log window) Nesta janela são apresentadas mensagens relacionadas a execução de programas do usuário submetidos ao SAS.

informa ao SAS que o conjunto de dados chegou ao fim. 6) o ponto e vírgula na linha imediatamente após a última linha de dados. Como não foi informado as colunas que cada uma delas ocupa no arquivo de dados. 3) uma nova variável. input x1 $ x2 x3.comece com qualquer letra ou _ (sublinhado) . x4. A ausência deste sinal após os nomes das variáveis x2 e x3.2 b 2 16. informa ao SAS que aquele comando terminou. existe um ponto e vírgula.3 b 2 17. Comentários: 1) a palavra chave DATA informa que o SAS deve criar um novo arquivo de trabalho. x4 = x2 + x3. run.continue com números. informa ao SAS que a variável x1 é alfanumérica. cards. Este arquivo de trabalho. As regras para nomear variáveis são as mesmas dadas anteriormente para nomear SAS data sets. a 1 14. supõe-se que as mesmas ocupam as mesmas posições ao longo de todo o conjunto de dados e que também elas estejam separadas por pelo menos um espaço em branco. Se o usuário estiver usando o Enhanced 172 . o conjunto de dados possui três variáveis cujos nomes são x1 x2 x3. 7) a palavra chave RUN informa ao SAS que aquele passo. 5) as linhas a seguir são os valores das variáveis.Anexo 3 – Introdução ao Uso do Programa SAS Data step data a1. O sinal $ depois do nome da primeira variável. Este é um erro muito comum para principiantes do SAS. 4) a palavra chave CARDS informa ao SAS que. no caso DATA step. pode fazer com que o SAS não execute aquele passo. letras ou _ . Neste exemplo. Esta é o resultado da soma da variável x2 e x3. 2) a palavra chave INPUT informa ao SAS os nomes das variáveis existentes no arquivo de dados. acabou e que ele pode executar esta parte da análise.1 a 1 14. cujo nome é o que segue a palavra chave DATA. A falta de um ponto e vírgula em qualquer uma das linhas de comando. é criada. .o nome deve conter de 1 a 8 caracteres. Este ponto e vírgula ao final de cada linha. As seguintes regras devem ser observadas ao dar um nome para um arquivo de trabalho do SAS: . indica que elas são apenas numéricas. 8) observe que ao final de cada linha de comandos (exceto as linhas que contém os dados. . geralmente é deletado ao sair do SAS.3 . linhas a seguir são linhas que contém os valores das variáveis declaradas em INPUT.

173 . pois várias opções podem ser acrescentadas ao procedimento PRINT.2. run.) deseja-se realizar com um determinado arquivo de trabalho do SAS.2 2o Passo: PROCedure step Neste passo deve-se informar que tipo tarefa (análise estatística. Este procedimento pode ser usado para “imprimir” na tela conteúdos de um arquivo de trabalho do SAS. No entanto. O exemplo a seguir ilustra o uso do procedimento PRINT. o SAS utilizará o arquivo de trabalho que foi mais recentemente criado. 9) a identação das linhas não é requerida. como ilustrado a seguir: data a2 Infile ‘C:\Meus Dados\arq1. o procedimento solicitado é o PRINT. por exemplo no disco C. No exemplo.. tais erros podem ser minimizados.txt’ input x1 $ x2 x3 x4 = x2 + x3 run data step Comentários adicionais para este exemplo: 1) a palavra chave INFILE informa ao SAS que o conjunto de dados encontra-se em um arquivo em separado do programa. var x1 x2 x3.EST 220 – Estatística Experimental – I/2008 Editor. deve-se informar qual arquivo de trabalho do SAS deve ser utilizado neste passo. Outros procedimentos e opções dos mesmos serão apresentados posteriormente. 2) seguindo o nome do procedimento desejado. O SAS possui uma variedade muito grande de procedimentos. Ao final desta linha deve existir um ponto e vírgula. o objetivo agora é apenas fornecer uma idéia geral do passo PROC. Se o conjunto de dados enconta-se em arquivo separado. Comentários: 1) um procedimento sempre inicia com a palavra chave PROC seguida do nome do procedimento que se deseja executar. ordenação de valores. então o caminho para o SAS ler este arquivo deve ser informado usando a palavra chave INFILE. 2. 2) o caminho para o arquivo é escrito entre apóstrofes.. O exemplo anterior é um exemplo muito simples. etc. gráficos. pois a falta de um ponto e vírgula faz com que palavras chaves não apareçam em cores distintas. cujo caminho é informado a seguir. na pasta Meus Dados e arquivo arq1.txt. Caso o usuário não indique o nome do arquivo de trabalho. embora ajude ao usuário saber onde começa e termina cada passo do programa. proc step proc print data=a1.

e diferentes conjunto de dados podem ser informados num mesmo programa. Estas variáveis podem ser: .esquecer um ponto e vírgula no final de uma declaração. Ou seja. São também conhecidas. .representar categorias discretas. O SAS é um programa robusto. diferentes procedimentos podem ser solicitados para um mesmo conjunto de dados. 2. se elas forem contínuas. e assim o mesmo poderá decidir se a saída obtida é satisfatória ou não. o SAS faz distinção entre variáveis classificatórias e analíticas. 3. Por exemplo. 4) a última linha do procedimento deve conter a palavra chave RUN. existem erros de programação que o SAS não corrige tais como: .identificar classes ou categorias nas quais os cálculos são efetuados. no sentido que se alguma palavra chave for escrita errada. correções feitas pelo SAS são mostradas como linhas em verde na janela LOG. . seguida de ponto e vírgula. quais variáveis devem ter seus valores impressos.1. Tais erros não produzem saídas.numéricas ou alfanuméricas. Vale lembrar.1 Variáveis classificatórias Em termos estatísticos. . Erros deste tipo produzem saída. em alguns casos. 174 . Por outro lado. O SAS informa que identificou tais erros na janela LOG por meio de linhas vermelhas.Anexo 3 – Introdução ao Uso do Programa SAS 3) a palavra chave VAR é usada para informar ao SAS. variáveis classificatórias são aquelas que poderíamos classificar como qualitativas. A presença desta palavra chave informa ao SAS que os comandos contidos naquele passo podem ser executados.1 Variáveis classificatórias vs analíticas Para realizar análises estatísticas. a variável que identifica tratamentos numa análise de variância. o programa por si procede a correção e continua a execução com a versão corrigida. qualquer um destes dois passos podem se repetir inúmeras vezes. como variáveis independentes. Em um único programa. erros de programas SAS podem comprometer parcial ou totalmente sua execução.esquecer uma RUN statement. que cabe ao usuário verificar se a correção realizada pelo SAS é coerente ao desejado pelo usuário. Neste caso. .3 Erros comuns na elaboração de um programa SAS Como todo qualquer programa computacional. 3 Análises Estatísticas 3.esquecer de fechar aspas.

means trt / duncan alpha=0. class trt.1 Delineamento Inteiramente Casualizado (DIC) A estrutura geral do programa abaixo pode ser utilizada para a análise de um experimento instalado segundo o DIC. 4 Análise de dados oriundos de delineamentos experimentais Delineamentos experimentais são utilizados para obter um maior controle do efeito do erro experiemental. o procedimento GLM é indicado quando os dados são desbalanceados. uniformidade das unidades experimentais. variáveis analíticas são as variáveis que vamos usar para estudar o efeito de tratamentos. a qual está diretamente relacionada com o modelo estatístico do delineamento experimental. .05. . São também conhecidas como variáveis dependentes. run. proc anova data=a1. quit. Por outro lado. elas são as variáveis respostas. ou em outras palavras. somas. ou outras estatísticas. por exemplo. onde: proc ANOVA solicita que o procedimento ANOVA seja utilizado.numéricas. define o modelo estatístico a ser usado para a análise dos dados. A parte do programa que altera de delineamento para delineamento é apenas a referente a declaração MODEL. com dados balanceados.contínuas (na maior parte dos casos). Por sua vez. O programa SAS pressupõe que o usuário saiba qual delineamento foi utilizado e consequentemente o modelo estatístico a ser adotado na análise. ou valores observados em um experimento. A declaração CLASS informa quais fatores do modelo estatístico são classificatórias.1. data=a1 indica que o arquivo de trabalho do SAS “a1” deve ser utilizado na análise. estas variáveis são: . O procedimento ANOVA é indicado quando os dados são balanceados e não existem valores perdidos. model y = trt. Basicamente o SAS tem dois procedimentos para a análise de dados de experimentos: ANOVA e GLM. A seguir são apresentados exemplos de programas para a análise de dados oriundos de experimentos instalados em diferentes tipos de delineamentos experimentais. O tipo de delineamento utilizado.apropriadas para o cálculo de médias. 4. 175 .EST 220 – Estatística Experimental – I/2008 3.2 Variáveis análiticas Em termos estatísticos. A escolha de qual delineamento utilizar para instalar um experimento depende das condições do material experimental.

run. e a opção “nonumber” solicita que as páginas da saída não sejam numeradas. Ambas devem conter. means varied / duncan alpha=0. Com ela é possível comparar médias de tratamentos e estabelecer o nível de significância do teste de médias. A opção “nodate” solicita ao SAS que não imprima a data da execução. means varied / tukey alpha=0. class varied. a opção “nocenter” solicita que o texto da saída seja alinhado à esquerda. pois. title 'Delineamento Inteiramente Casualizado'. ou seja “title2” se refere ao segundo nível de título.Anexo 3 – Introdução ao Uso do Programa SAS A declaração MODEL informa qual modelo estatístico deve ser adotado durante a análise. adicionalmente. A sentença “options” informa opções do formato da saída de um programa SAS. REP. 1 25 2 31 3 22 4 33 1 26 2 25 3 26 4 29 1 20 2 28 3 28 4 31 1 23 2 27 3 25 4 34 1 21 2 24 3 29 4 28 . A sentença “title” possibilita personificar as saídas do SAS. uma vez que o efeito da média geral e do erro estão presentes no modelo de todos os delineamentos.1 options nodate nocenter nonumber. O nível é identificado pelo número após “title”. No caso de um delineamento inteiramente casualizado. cards.05.05. Existem 10 níveis de título de saída que podem ser definidos. model prod = varied. Dentre outros testes. input varied prod @@. Tukey e Bonferroni. o fator repetição é - - 176 . data exerc_4_1. pode ser solicitado o teste de Duncan. quit informa ao SAS que ele pode abandonar a execução do procedimento ANOVA. A declaração MEANS é opcional.2 Delineamento em Blocos Casualizados (DBC) As únicas diferenças para o programa anterior estão nas declarações CLASS e MODEL. quit. Exemplo: Os dados deste programa são do exercício 4. proc anova data=exerc_4_1. run. apenas a variável que identifica tratamentos deve ser informada. 4.

class ta grupo. model y = linha coluna trt. as declarações CLASS e MODEL devem ser alteradas para também conter as variáveis que identificam a linha e a coluna de cada valor observado. means ta / duncan alpha=0.05. input ta grupo prod @@.05. class linha coluna trt. means trt / duncan. Uma forma geral para análise de um experimento instalado segundo o DQL seria: proc anova. data exerc_6_2. means ta / tukey alpha=0. 1 1 30 1 2 32 1 3 33 1 4 34 1 5 29 1 6 30 1 7 33 2 1 29 2 2 31 2 3 34 2 4 31 2 5 33 2 6 33 2 7 29 3 1 43 3 2 47 3 3 46 3 4 47 3 5 48 3 6 44 3 7 47 4 1 23 4 2 25 4 3 21 4 4 19 4 5 20 4 6 21 4 7 22 .3 Delineamento em Quadrado Latino (DQL) Em relação ao DIC. run. cards. Exemplo Os dados deste programa são do exercício 6. run. proc anova data=exerc_6_2. quit. run.EST 220 – Estatística Experimental – I/2008 uma variável classificatória e é parte do modelo estatístico do DBC. class rep trt. Assim uma forma geral de programa para este tipo de delineamento seria: proc anova data=a1. model y = rep trt. model prod = ta grupo. run. 4.05.2 options nodate nocenter nonumber. title 'Delineamento em Blocos Casualizados'. means trt / duncan alpha=0. 177 .

7 4 1 D 115. model y = rep a b a*b.2 4 5 E 118. means castracao / duncan alpha=0. class rep a b.9 1 4 D 110. é verificar se é significativo o efeito da interação e dos efeitos principais. nesta situação.6 5 2 B 114.9 2 4 A 97. seria desejável proceder ao estudo de um fator dentro de cada nível do outro fator. Experimentos fatoriais podem ser instalados usando vários tipo de delineamentos.6 2 5 D 112.0 1 2 C 115. run.1 5 3 D 118. para que seja realizado o teste F para o efeito da mesma.05.4 2 1 C 110. Experimentos Fatoriais Em experimentos fatoriais.2 . Veja que o termo da interação foi incluído na declaração MODEL.7 5 4 C 108.0 4 4 B 100. quit.4 1 3 E 116.4 options nodate nocenter nonumber. run. title 'Delineamento em Quadrado Latino'.05. data exerc_7_4. model ganho = leit faixa castracao.4 4 2 A 94.5 2 3 B 108.4 .2 1 5 B 110.Anexo 3 – Introdução ao Uso do Programa SAS Exemplo Os dados deste programa são do exercício 7.8 5 5 A 80. 1 1 A 93. Para contemplar análises de experimentos fatoriais. lsmeans a*b / slice=a.0 3 5 C 111. o programa proposto para o DIC deve ser modificado nas declarações CLASS e MODEL.6 2 2 E 96.5 5 1 E 117. means castracao / tukey alpha=0.9 3 4 E 102. Suponha que os dois fatores em estudos. existem no mínimo dois fatores sendo estudados simultaneamente num experimento. class leit faixa castracao.6 3 3 A 77.0 3 1 B 102. No caso da interação ser significativa. estão sendo estudados e que o experimento foi instalado segundo o DBC. Para atingir tal objetivo. input leit faixa castracao $ ganho @@. inclua as seguintes linhas após a declaração MODEL: lsmeans a*b / slice=b. ditos A e B. Uma forma geral para um programa como este seria proc glm. O interesse.9 4 3 C 114.1 3 2 D 108. run. 178 4. cards. proc glm data=exerc_7_4.

data exemplo_8_extra.4 1 2 24. lsmeans recipiente*especie / slice=recipiente. considerando que o fator A é o fator 179 . title 'Experimentos Fatoriais'. run.7 1 2 25.1 2 2 19.3 2 1 25.0 1 1 25. options nodate nocenter nonumber. model altura = recipiente especie recipiente*especie.7 2 1 26. A diferença é que em experimentos em parcelas subdivididas um fator. Neste caso as seguintes linhas poderiam ser incluídas no programa inicial: lsmeans a / tukey.8 3 1 19. O objetivo em parcelas subdividas também é verificar se os efeitos principais e interação entre fatores são significativos.8 1 2 24.EST 220 – Estatística Experimental – I/2008 Se a interação for não significativa.2 1 1 26. input recipiente especie altura @@.2 2 1 25.8 3 2 21.5 Experimentos em Parcelas Subdivididas Tal como no caso de experimentos fatoriais.8 3 2 21.4 3 1 18.1 2 1 26. O segundo fator. lsmeans recipiente*especie / slice=especie. cards. é então designado aleatoriamente às subparcelas de cada parcela. lsmeans b / tukey. quit. o qual foi retirado do livro BANZATTO e KRONKA (1989).6 2 2 21. experimentos em parcelas subdivididas são usados quando se deseja estudar dois ou mais fatores simultaneamente num mesmo experimento. é designado segundo um tipo de delineamento as parcelas que contém várias unidades experimentais.0 1 1 25. class recipiente especie.0 2 2 18. run.4 3 2 22. 1 1 26. dito principal. Exemplo O enunciado para este exemplo foi fornecido em sala de aula. 4.6 3 1 22. proc glm data=exemplo_8_extra.3 . O programa para esta situação difere no fato de ser necessário indicar o resíduo correto para testar o fator principal uma vez que o SAS assume que todos os fatores devem ser testados contra o erro(b).2 3 2 19. podemos estudar um fator independente do outro. A seguir está uma forma geral para a análise de um experimento em parcelas subdivididas.8 3 1 19.4 2 2 19.6 1 2 26.

4 4 1 2 65. Exemplo Os dados deste programa são do exercício 9. model producao = variedade defensivo bloco variedade*bloco variedade*defensivo.1 3 4 3 52.1 2 4 4 51.0 3 2 4 46. proc glm data=exemplo_9_1.8 4 3 2 65.6 3 1 4 50.6 4 1 3 54.8 2 3 2 65.4 2 2 4 51.4 .4 2 4 3 44.Anexo 3 – Introdução ao Uso do Programa SAS principal e o fator B é o secundário e que o experimento foi instalado segundo o DBC: proc glm.3 1 3 1 49.1 2 4 2 57.6 2 2 2 69.0 4 1 4 52.1 options nodate nocenter nonumber.3 1 4 4 34.6 4 2 4 58. model y = a rep a*rep b a*b.8 1 4 3 28.8 2 3 3 41. input variedade defensivo bloco producao @@.6 3 1 1 62.9 1 2 4 46.7 4 2 1 70.6 3 3 4 50.1 2 2 1 57.8 1 3 3 40.4 1 4 1 44. test h=a e=a*rep.4 4 4 3 56.1 3 3 3 62.8 1 2 1 53.5 1 2 3 43. run.3 4 2 3 57.9 1 1 4 30.3 3 2 1 63.4 2 4 1 64. quit. class variedade defensivo bloco.3 3 4 1 63. test h=variedade e=variedade*bloco.4 2 3 4 45.3 4 2 2 67.7 1 3 4 39. cards.3 4 3 3 45. class rep a b.6 4 4 2 69.4 3 2 2 50.7 2 1 1 53.9 2 3 1 59.8 1 2 2 58.6 4 4 4 47.7 3 4 4 51. 1 1 1 42.3 2 1 2 69.6 3 4 2 56.6 2 1 3 45.0 4 4 1 71. title 'Experimentos em Parcelas Subdivididas'.6 2 2 3 42.7 3 3 1 64. data exemplo_9_1.5 1 3 2 53.4 3 2 3 45.5 3 3 2 46. quit.6 4 3 4 51. 180 .5 3 1 3 44.8 4 1 1 75. run. run.6 1 1 3 28.4 2 1 4 35.5 4 3 1 68.9 1 1 2 41.4 1 4 2 41.3 3 1 2 58.

.. + i: imprime a inversa da matriz X’X. x2. test equation1. a declaração DATA informa ao SAS qual DATA set deve ser utilizado neste procedimento. Já o procedimento GLM possibilita o ajuste de modelos de covariância.. a declaração OPTIONS solicita ao SAS que algumas saídas adicionais sejam impressas. RESIDUAL..EST 220 – Estatística Experimental – I/2008 5 Regressão Linear Regressão é geralmente usada quando deseja-se verificar se um fator quantitativo exerce influência sob uma variável dependente. Para este procedimento as KEYWORD’s podem ser PREDICT.. a declaração VAR especifica todas as variáveis que serão utilizadas na análise.. output out=newset keyword=name1 keyword=name2. 5. são as variáveis independentes. TEST X1=0. run. ou seja. testa se os coeficientes de X1 e X2 são simultaneamente iguais a zero. Por exemplo. - - 181 . a declaração OUTPUT statement cria um SAS DATA set com as variáveis definidas nas declarações KEYWORD. Algumas das possibilidades são: + p: imprime valores preditos. model y = x1 x2 . . A estrutura geral de um programa usando o procedimento REG é: proc reg data=a1. + covb: imprime a matriz de variância e covariância das estimativas dos parâmetros. Comentários: a declaração REG solicita que o SAS utilize o procedimento REG. X2=0.1 PROC REG O procedimento REG usa o método dos quadrados mínimos para estimar os parâmetros num modelo linear. Com este procedimento é possível. No programa SAS. a declaração MODEL especifica que y é a variável dependente e x1. O procedimento REG é mais usado quando se ajusta um modelo contendo apenas fatores quantitativos como variáveis independentes. + r: imprime resíduos. modelos que incluem tanto fatores qualitativos como quantitativos como variáveis independentes. TEST statement é usada para realizar teste de significância para cada uma das equações listadas. + xpx: imprime a matriz X’X. A seguir é fornecido explicações mais detalhadas a respeito de cada um deles. etc . equation2. / options. existem dois procedimentos distintos para tal finalidade. GLM e REG. var variables.

model y = x x2. O programa ilustra análise de dados segundo um modelo linear de 2o grau. title 'Regressão Linear Simples de 1o grau'. 50 1.7 . model y = x. data exerc_10_5.0 30. 1.5 .6 5. run.0 20. quit.5 31. é possível salvar os valores preditos (yhat) e residuais (resid) em outro arquivo de trabalho (new). proc reg data=exerc_10_4.0 125 2.4. Usando a declaração OUTPUT. 2) Regressão linear polinomial Para modelos de regressão polinomial. 182 . output out=new p=yhat r=resid. output out=new p=yhat r=resid.1 7.3 2.5 35. é necessário criar as potências das variáveis logo depois da declaração INPUT.Anexo 3 – Introdução ao Uso do Programa SAS Exemplos 1) Regressão Linear Simples Os dados deste programa são do exercício 10.2 75 1.0 34. options nodate nocenter nonumber. options nodate nocenter nonumber. Os dados deste programa são do exercício 10. cards.5 19. quit. proc reg data=exerc_10_5. title 'Regressão Linear Simples de 2o grau'.2 8. run. data exerc_10_4. cards. input x y @@.5. run.1 150 2.3 4. run.7 100 2. O programa a seguir produz uma regressão linear de y em x. x2 = x*x. input x y @@.

data exerc_4_1. 183 . title 'Delineamento Inteiramente Casualizado'.. 1a linha da saída do programa: Delineamento Inteiramente Casualizado OBSERVAÇÃO: O conteúdo das saídas aqui mostradas é apenas um resumo de uma saída normal do SAS..EST 220 – Estatística Experimental – I/2008 6 Saídas do Programa SAS Para identificar a qual programa pertence cada saída. basta comparar a 1a linha de cada página destas saídas com o que está escrito na declaração title do programa. Aqui são apresentadas apenas os resultados mais importantes de uma saída de um programa do SAS. . Por exemplo: Programa: options nodate nocenter nonumber.

000 23.5833333 F Value 7.000 5 B 26.000 27.828 Means with the same letter are not significantly different.000 N 5 5 5 5 var 4 2 3 1 184 .80 Pr > F 0.000 5 0.04609 4.000 26.890659 DF 3 y Mean 26.720 4 3.05 16 7 4.7500000 Root MSE 2.7874 not significantly different.05 16 7 3 3.Anexo 3 – Introdução ao Uso do Programa SAS Delineamento Inteiramente Casualizado The ANOVA Procedure Class Level Information Class Levels Values var 4 1 2 3 4 Dependent Variable: y Source Model Error Corrected Total R-Square 0. Duncan Grouping A B C B C Mean 31.75000 Mean Square 54.000 5 B 23.5833333 7.7500000 Mean Square 54.7500000 112.593835 Source var DF 3 16 19 Sum of Squares 163.0020 Tukey's Studentized Range (HSD) Test for y Alpha Error Degrees of Freedom Error Mean Square Critical Value of Studentized Range Minimum Significant Difference Means with the same letter are Tukey Grouping Mean N A 31.547 0.0000000 F Value 7.0020 Coeff Var 9. var 4 2 3 1 Duncan's Multiple Range Test for y Alpha Error Degrees of Freedom Error Mean Square Number of Means Critical Range 2 3.80 Pr > F 0.0000000 275.000 5 B A 27.645751 Anova SS 163.

05 Error Degrees of Freedom 18 Error Mean Square 3.81 0.73 Pr > F <.984127 Critical Value of Studentized Range 3.64286 Mean Square 708.76 Pr > F <.429 7 2 C 21.079365 3.000 7 3 B 31.904762 F Value 177.996028 Anova SS 2125.984127 Number of Means Critical Range 2 2.967615 Source ta grupo DF 9 18 27 28 Sum of Squares 2142.114746 DF 3 6 y Mean 32.285714 17.352 4 2.571 N 7 7 7 7 ta 3 1 2 4 185 .428571 Mean Square 238.429 21. Tukey Grouping Mean N ta A 46.0001 Coeff Var 6.428571 Root MSE 1.EST 220 – Estatística Experimental – I/2008 Delineamento em Blocos Casualizados The ANOVA Procedure Class Level Information Class Levels Values ta 4 1 2 3 4 grupo 7 1 2 3 4 5 6 7 Number of observations Dependent Variable: y Source Model Error Corrected Total R-Square 0.714286 2214.6323 Tukey's Studentized Range (HSD) Test for y Alpha 0.242 3 2.000 31.984127 F Value 59.571 7 4 Duncan's Multiple Range Test for y Alpha 0.428571 2.05 Error Degrees of Freedom 18 Error Mean Square 3.0001 0.571 31.571 7 1 B 31.714286 71.421 Means with the same letter are not significantly different. Duncan Grouping A B B C Mean 46.0154 Means with the same letter are not significantly different.99698 Minimum Significant Difference 3.

9242 0.50760 15.054400 Mean Square 193.22 9.140 B 88.0086 4.0086 Number of Means 2 3 Critical Range 10.775852 Source leit faixa castracao DF 12 12 24 Sum of Squares 2326.0204 Coeff Var 7.2480 Mean Square 64.02 Pr > F 0.013600 F Value 1.379200 672.140 B 88.864933 56.103200 2998.498400 2020.456600 12.043793 DF 4 4 4 ganho Mean 106.31 10.008600 F Value 3.3796 0.79 Duncan Grouping Mean A 112.46 Pr > F 0.483889 Type I SS 257.720 4 11.05 Error Degrees of Freedom 12 Error Mean Square 56.826400 48.15 0.0013 Tukey's Studentized Range (HSD) Test for ganho Alpha Error Degrees of Freedom Error Mean Square Critical Value of Studentized Range Minimum Significant Difference Tukey Grouping Mean A 112.124600 505.09 5 11.28 N 5 5 5 5 5 castracao D C E B A 186 .05 12 56.300 A 107.300 A 107.086 N 5 5 5 5 5 castracao D C E B A Duncan's Multiple Range Test for ganho Alpha 0.980 A 112.482400 Root MSE 7.100 A 110.720 0.100 A 110.980 A 112.Anexo 3 – Introdução ao Uso do Programa SAS Delineamento em Quadrado Latino The GLM Procedure Class Level Information Class Levels leit 5 faixa 5 castracao 5 Number of observations Values 1 2 3 4 5 1 2 3 4 5 A B C D E 25 Dependent Variable: ganho Source Model Error Corrected Total R-Square 0.

76083333 Mean Square 35.380000 3.2827778 F Value 27.560833 33.500000 34.39 Pr > F <.43041667 19.6897 <.121667 43.20 14.251250 F Value 0.88 2.931485 altura Mean 22.0001 Values 1 2 3 1 2 24 Coeff Var 4.7933333 Root MSE 1.88 24.750000 27.0001 <.0900000 198.86083333 19.211250 79.883849 DF 5 18 23 Sum of Squares 175.1406667 1.08166667 63.0001 0.16 61.211250 79.0012 <.0001 0.85 Pr > F <.EST 220 – Estatística Experimental – I/2008 Experimentos Fatoriais The GLM Procedure Class Level Information Class Levels recipiente 3 especie 2 Number of observations Experimentos Fatoriais Dependent Variable: altura Source Model Error Corrected Total R-Square 0.96667 Mean Square 46.96 2 2 69.380000 3.88041667 F Value 36.0001 Source DF recipiente 2 especie 1 recipiente*especie 2 recipiente*especie Effect Sliced by especie for altura Sum of especie DF Squares Mean Square F Value 1 2 87.08166667 31.7033333 23.09 recipiente*especie Effect Sliced by recipiente for altura Sum of Squares 0.251250 Pr > F <.0001 recipiente 1 2 3 DF 1 1 1 Mean Square 0.53 Pr > F 0.1288 187 .132598 Type I SS 92.

394375 Root MSE 4.0539 <.021875 170.506793 Type I SS 2848.0001 0.624375 68.0059 Source DF Variedade 3 defensivo 3 bloco 3 variedade*bloco 9 variedade*defensiv 9 Tests of Hypotheses Using the Type III MS for variedade*bloco as an Error Term Source DF Type III SS Mean Square F Value Pr > F Variedade 3 2848.340625 13.294375 586.Anexo 3 – Introdução ao Uso do Programa SAS Experimentos em Parcelas Subdivididas The GLM Procedure Class Level Information Class Levels variedade 4 defensivo 4 bloco 4 Number of observations Values 1 2 3 4 1 2 3 4 1 2 3 4 64 Dependent Variable: producao Source Model Error Corrected Total R-Square 0.710810 20.82 0.191875 731.465625 Mean Square 261.0042 0.699375 65.21 Pr > F <.873125 618.340625 56.021875 949.311181 F Value 12.534077 producao Mean 52.0001 0.202500 7797.162847 F Value 46.536875 2842.80938 Mean Square 949.74 2.89 Pr > F <.66 3.80 46.0001 Coeff Var 8.38 3.0010 188 .845625 947.906225 DF 27 36 63 Sum of Squares 7066.

04895 t Value 11.9904 Source Model Error Corrected Total Root MSE Dependent Mean Coeff Var DF 2 3 5 F Value 259.90000 0.17333 R-Square Adj R-Sq 0.94 -22.40749 1.01200 0.35836 0.97376 10.9574 0.0038 Regressão Linear Simples de 2o grau The REG Procedure Dependent Variable: y Analysis of Variance Sum of Mean Squares Square 234.22 Pr > |t| 0.94000 0.9433 Source Model Error Corrected Total Root MSE Dependent Mean Coeff Var DF 1 3 4 F Value 67.55 21.45279 236.75 Pr > |t| 0.0002 189 .50 Pr > F 0.67289 28.52 8.70000 0.90000 6.46770 0.90000 0.0004 0.EST 220 – Estatística Experimental – I/2008 Regressão Linear Simples de 1o grau The REG Procedure Dependent Variable: y Analysis of Variance Sum of Mean Squares Square 0.53333 2.24222 0.11349 0.0203 0.0002 0.00146 t Value 4.11547 1.07737 R-Square Adj R-Sq 0.01333 0.0038 Variable Intercept x DF 1 1 Parameter Estimates Parameter Standard Estimate Error 0.81498 117.9942 0.30 Pr > F 0.15492 0.47719 -1.35827 Variable Intercept x x2 DF 1 1 1 Parameter Estimates Parameter Standard Estimate Error 11.0014 0.04000 0.

como seguem: DISTT (|tcal|.EST 220 – Estatística Experimental – I/2008 Anexo 4 – p-valor O p-valor representa a probabilidade estimada no experimento. 1) = p-valor ⇒ Ha unilateral. de rejeitar Ho quando Ho é verdadeira. gl. como seguem: DISTF (Fcal. INVT (2α. mais forte será a evidência de que Ho deverá ser rejeitada. de acordo com o número de graus de liberdade (gl) e do teste de hipóteses utilizado. 190 . tem-se a seguinte regra de decisão em relação ao nível de significância α de referência: Se p-valor ≤ α ⇒ rejeitar Ho. gl numerador. INVF (α. No Excel (inserir função estatística). Portanto. Em termos práticos. os p-valores e os valores tabelados do teste F são obtidos. gl denominador) = Ftab ⇒ Ha unilateral. gl denominador) = p-valor ⇒ Ha unilateral. INVT (α. gl numerador. Se p-valor > α ⇒ não rejeitar Ho. gl) = ttab ⇒ Ha unilateral. os p-valores e os valores tabelados do teste t são obtidos. gl) = ttab ⇒ Ha bilateral. No Excel (inserir função estatística). gl. DISTT (|tcal|. quanto menor for o pvalor. 2) = p-valor ⇒ Ha bilateral.

......... FV GL SQ QM F 102 Tratamentos 4 30 7.................... FV GL SQ QM F 102 Tratamentos 4 30 7.....................5 Inf 102 Resíduo 10 0 0 102 Total 14 30 306 102 Tratamentos Repetições 1 2 3 4 1 98 99 100 101 2 99 100 101 102 3 100 101 102 103 Totais 297 300 303 306 Médias 100 100 100 100 ANOVA 5 ... FV GL SQ QM F 100 Tratamentos 4 0 0 100 Resíduo 10 0 0 100 Total 14 0 300 100 Repetições 1 2 3 Totais Médias 1 90 100 110 300 100 Tratamentos 2 3 4 80 70 60 100 100 100 120 130 140 300 300 300 100 100 100 ANOVA 5 .0 104 Total 14 40 309 100 191 .... FV GL SQ QM F 50 Tratamentos 4 0 0 0 100 Resíduo 10 11000 1100 150 Total 14 11000 300 100 Tratamentos Repetições 1 2 3 4 1 98 99 100 101 2 98 99 100 101 3 98 99 100 101 Totais 294 297 300 303 Médias 98 99 100 101 ANOVA 5 .............Anexo 5 – Exemplo Extra ANOVA Repetições 1 2 3 Totais Médias 1 100 100 100 300 100 Tratamentos 2 3 4 100 100 100 100 100 100 100 100 100 300 300 300 100 100 100 ANOVA 5 ....5 7....50 103 Resíduo 10 10 1..

os quais podem ser fixos ou aleatórios. é obtida pela diferença entre ˆ o valor observado e o respectivo valor predito Yik . Tenham variância comum e 3.Anexo 6 – Pressuposições ANOVA Pressuposições da Análise de Variância Na análise de variância. Uma das pressuposições para a realização da análise de variância é que o modelo estatístico seja composto pela soma de efeitos. Sejam independentes A estimativa do erro experimental.mi As pressuposições para a validade dos resultados da análise de variância são que os erros experimentais 1. no DIC. ti: é o efeito fixo do tratamento i no valor observadoYik. ou seja. Sigam uma distribuição normal. definido por eik = Yik . Por exemplo. o efeito do fator em estudo é considerado fixo. Yik: é o valor observado para a variável resposta obtido para o i-ésimo tratamento em sua k-ésima repetição. m: é a média fixa de todos os valores possíveis da variável resposta.Yik . os valores observados Yik de uma variável resposta são descritos em termos de um modelo estatístico. Enquanto que o efeito do erro experimental é considerado aleatório. Em geral. o modelo estatístico é Yik = m + ti + eik em que. O valor predito é obtido por 192 . 2. ˆ êik = Yik . t i = mi − m eik: é o efeito aleatório do erro ou resíduo experimental associado ao valor observado Yik. para os valores observados em um experimento instalado segundo o delineamento inteiramente casualizado (DIC) com I tratamentos e K repetições.

EST 220 – Estatística Experimental – I/2008 ˆ ˆ t Yik = m + ˆi t A estimativa do efeito do tratamento i, ˆi , por sua vez é obtida por ˆi = m i − m ˆ ˆ t Portanto temos que ˆ ˆ Yik = m i Então a estimativa do resíduo experimental, êik, de acordo como o modelo estatístico apresentado anteriormente é obtida por
ˆ êik = Yik - m i .

Portanto, antes de interpretar os resultados da análise de variância recomenda-se verificar, por meios dos procedimentos descritos a seguir, se as estimativas dos resíduos satisfazem as pressuposições da análise de variância.

1ª Pressuposição) Normalidade da distribuição dos erros experimentais
Para verificar se os resíduos associados ao modelo estatístico utilizado aderem a uma distribuição normal, pode-se realizar o teste de hipóteses de Lilliefors. As hipóteses para este teste são: H0: os resíduos experimentais seguem uma distribuição normal Ha: os resíduos experimentais não seguem uma distribuição normal. Este teste se baseia na comparação da freqüência acumulada empírica com a freqüência acumulada teórica, as quais são obtidas para cada valor do resíduo experimental. Após a ordenação crescente dos valores residuais, a freqüência
ˆ acumulada empírica, S(e ik ) é obtida por

ˆ S(e ik ) =

ˆ nº de valores < e ik n

Por outro lado, para obter o valor da freqüência acumulada teórica,
ˆ ˆ F(e ik ) , para cada valor e ik , é necessário especificar a que distribuição normal

os resíduos experimentais tendem a se aderir. Uma distribuição normal é especificada pelos parâmetros média e variância. Na realização deste teste, assume-se que os parâmetros da suposta

193

Anexo 6 – Pressuposições ANOVA distribuição normal dos resíduos são iguais aos valores da média e variância dos resíduos experimentais. A partir da especificação dos parâmetros da distribuição normal é possível calcular a freqüência acumulada teórica. A distribuição acumulada é ˆ ˆ ˆ definida como F(e ik ) = P(E ik ≤ e ik ) . Supondo que a distribuição dos resíduos experimentais tenha sido
ˆ definida como Êik ∼ N(m; σ2), então o valor de F(e ik ) é obtido por
ˆ 1 (e ik −m ) 2 σ2

ˆ F(e ik ) =

ˆ e ik

−∞

ˆ ∫ f (e

ik

ˆ )d(e ik ) =

ˆ eik

2

−∞

∫ 2π

1 σ2

e

ˆ d(e ik )

Uma representação genérica para os gráficos de uma distribuição normal e respectiva distribuição acumulada teórica são apresentados na Figura 1 - (a) e (b), respectivamente.

Figura 1 – Distribuição normal (a) e respectiva distribuição acumulada (b)

ˆ Espera-se que para cada valor êik os valores obtidos para S(e ik ) e ˆ F(e ik ) sejam

bem

similares,

caso

os

resíduos

experimentais

sigam

a distribuição normal especificada. É por esta razão que o teste de Lilliefors se baseia na comparação destes dois valores de distribuição acumulada. Após a ordenação em ordem crescente (j = 1, 2, ... , n) dos resíduos experimentais são obtidos, para cada êik, os módulos das diferenças entre ˆ ˆ ˆ ˆ F(e ik ) j − S(e ik ) j e entre F(e ik ) j − S(e ik )( j−1) . O teste de Lilliefors se baseia na maior diferença absoluta encontrada. Esta diferença é definida como sendo a estatística d obtida por 194

EST 220 – Estatística Experimental – I/2008
ˆ ˆ ˆ ˆ d = m a x F(e ik ) j − S(e ik ) j , F(e ik ) j − S(e ik )( j−1)
j

{

}

O valor da estatística d é então comparado com o valor tabelado dtab de acordo com o nível de significância α e do número de resíduos experimentais na Figura 2 apresenta as situações com um bom ajustamento a uma distribuição normal e outra com um mal ajustamento. Nesta Figura 2, a curva representa a distribuição acumulada teórica, e a escada representa a distribuição acumulada empírica.
Figura 2 – Ilustrações de um bom ajuste a um mal ajuste de uma distribuição normal

Suponha os dados do Exemplo 4.1 Para comparar a produtividade de quatro variedades de milho, um agrônomo tomou vinte parcelas similares e distribuiu, inteiramente ao acaso, cada uma das 4 variedades em 5 parcelas experimentais.

Totais Médias

1 25 26 20 23 21 115 23

Variedades 2 3 31 22 25 26 28 28 27 25 24 29 135 130 27 26

4 33 29 31 34 28 155 31

Neste caso como foi utilizado o DIC temos que o modelo estatístico é Yik = m + ti + eik Portanto, segundo o exposto anteriormente, são apresentados na Tabela 1 os valores observados e respectivos valores preditos residuais.

195

Anexo 6 – Pressuposições ANOVA ˆ Tabela 1 – Valores observados (Yik) e respectivos valores preditos ( Yik ) e resíduais (êik)
Variedade Repetição Yik
ˆ Yik

ˆ e ik

1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 4 4 4 4 4 Média Variância Desvio-padrão N

1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 -

25 23 2 26 23 3 20 23 -3 23 23 0 21 23 -2 31 27 4 25 27 -2 28 27 1 27 27 0 24 27 -3 22 26 -4 26 26 0 28 26 2 25 26 -1 29 26 3 33 31 2 29 31 -2 31 31 0 34 31 3 28 31 -3 26,75 26,75 0 14,51 8,62 5,89 3,81 2,94 2,43 20 20 20

A partir da Tabela 1, podemos obter as distribuições de freqüência dos valores residuais apresentadas na Tabela 2 Estas distribuições de freqüências serão denominadas daqui para frente de distribuições de freqüência empíricas.

196

NORMP(-3.15 0.05 0.89 −∞ −∞ ˆ ˆ ˆ e ik = -3 → ∫ f (e)d(e) = −3 −3 ˆ 1 (e − 0 ) 2 5.95 1.80 0. A freqüência teórica acumulada foi obtido supondo que os resíduos seguem uma distribuição ˆ normal com média igual a zero e variância igual a 5.0497 Na Tabela 2 também é apresentada a distribuição acumulada de ˆ freqüência teórica para os valores residuais e ik .0917 0.23) = 0.0497 0.89 1 − e − ˆ d(e) = 0.S( eik )(j-1)| ˆ ˆ | F( eik )j .NORMP(-4.0050 0.0917 0.1450 0.3402 0.5000 0.89 Para obter estes valores sem calcular estas integrais basta converter tais valores usando a distribuição normal padrão ou seja.89 2 ˆ e ik = -3 → z = −3−0 5.65 0.00 0 0.EST 220 – Estatística Experimental – I/2008 ˆ Tabela 2 – Distribuições de freqüências empíricas dos resíduos ( e ik ) e respectivas freqüências acumuladas teóricas nas quais os resíduos aparecem em ordem (j) crescente Freqüências Empíricas Freqüência Teórica Acumulada ˆ F( eik ) j ˆ eik Simples Relativa Acumulada ˆ S( eik ) ˆ ˆ | F( eik )j .89.0495 5.1083 5.43).43) e INV.0003 0.89 2 −∞ ∫ 2π ∫ 2π 1 5.NORMP do software Excel.2.1000 0.6598 0.0098 0. e ik ∼N(0.20 0.89 = −1.0497 0. Para gerar os valores apresentados na Tabela 2.0598 0.20 0. para os valores dos resíduos igual a – 4 e – 3.65) = 0. Para os resíduos -4 e -3 foram utilizadas INV.0583 0.0583 0.05 0.15 0. por exemplo. foram utilizados ˆ ˆ ˆ e ik = -4 → ∫ f (e)d(e) = −∞ −4 −4 ˆ 1 (e − 0 ) 2 5.40 0.0.05 0.0497 ˆ e d(e) = 0.0050 0.1450 0.23 → P(Z < -1. 197 .60 0.05 0.9503 0.65 → P(Z < -1.0598 0. foi utilizada a função INV. Para encontrar o valor da freqüência teórica acumulada.5.S( eik )(j)| 0 1 2 3 4 5 6 7 8 9 -4 -3 -2 -1 0 1 2 3 4 1 3 3 1 4 1 3 3 1 0.1000 0.8917 0.1083 0.15 0.1093 Como pode ser notado os valores não são exatamente iguais aos apresentados na Tabela 2 Isto ocorre devido as aproximações realizadas durante o cálculo.2050 0.15 0.89).0.35 0. ou seja.05 0 0.0003 0.0098 0.7950 0.2. −4−0 ˆ e ik = -4 → z = = −1. respectivamente.

2 0.5 0. são apresentadas na Figura 3. para α=5% e n=20 é dtab =0.4 0.220 não devemos rejeitar H0.1 é igual a 0.220.1 Empírica 1 0.8 0.9 0. empírica e teórica. Figura 3 – Distribuições empírica e teórica obtida para o Exemplo 4. conclui-se que os resíduos experimentais segundo o modelo estatístico adotado não diferem de uma distribuição normal. As hipóteses para este teste são: H0: os resíduos experimentais seguem uma distribuição normal Ha: os resíduos experimentais não seguem uma distribuição normal Como 0.1 0 -5 -4 -3 -2 -1 0 Resíduos Teórica Freqüência Acumulada 1 2 3 4 5 198 . F(e ik ) j − S(e ik )( j−1) j { } para os dados do Exemplo 4. Portanto.3 0.Anexo 6 – Pressuposições ANOVA Ao observarmos a Tabela 2 podemos verificar que a estatística d ˆ ˆ ˆ ˆ d = m a x F(e ik ) j − S(e ik ) j .1450. As distribuições.1450 < 0. O respectivo valor tabelado.7 0. obtido na Tabela 3.6 0.

00 0.886 dc = n α=1% 0.9503 Z Empírico -1.284 0.187 1.411877 0.35 0.227 0.38532 -0.20 0.235 0. Caso os resíduos apresentarem distribuição normal.05 0.1083 0.220 0.161 0.235632 1.348 0.337 0.190 0.405 0. os valores da distribuição empírica tenderam a se concentrar em torno da reta.23563 -0.734 0.25335 0.200 0.381 0.41188 -1. correspondentes aos valores das distribuições empírica e teórica. respectivas freqüências acumuladas teórica e empírica e valores da distribuição normal (Z) Resíduo -4 -3 -2 -1 0 1 2 3 4 Freqüência Acumulada Empírica Teórica 0.80 0. Para os dados do Exemplo 4.38532 0.644854 1. Neste gráfico são plotados os valores da variável normal correspondente as distribuições acumulada empírica e acumulada teórica.231 0.2004) n 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 25 30 n>30 α=5% 0.234 0.2050 0.173 0.257 0. são apresentados na Tabela 4 e o gráfico da probabilidade normal é apresentado na Figura 4.249 0.65 0.5000 0.82375 -0.319 0.4E-16 0.331 0.213 0.0497 0.261 0.364 0.250 0. Os valores da distribuição teórica ajustam-se perfeitamente a uma reta.245 0.64751 -1.239 0.647509 199 .271 0.268 0.40 0.3402 0.841621 1.60 0.031 dc = n Uma avaliação visual da distribuição normal também pode ser realizada por meio do gráfico da probabilidade normal.300 0.644854 Teórico -1. os valores da variável z.64485 -0.1.179 0.258 0.84162 -0.95 0.823754 1.253347 0.6598 0. Tabela 4 – Valores do resíduo.285 0.242 0.7950 0.8917 1.200 0.EST 220 – Estatística Experimental – I/2008 Tabela 3 – Valores críticos (dc) para o teste de Lilliefors (adaptado de Barbetta et al.206 0.275 0.311 0.294 0.

= σ EI = σ E Ha: pelo menos um tratamento apresenta variância residual diferente dos demais.5 0 -0.1 Z Teórico 2 1. ou seja. A estatística do teste de Cochran é definida como 200 . Portanto. para os quais se deseja avaliar se a variância residual é idêntica para todos os tratamentos. cada um com K repetições. considere I tratamentos. Um dos testes que podem ser utilizados é o teste de Cochran.5 -1 -1. viável a obtenção de um estimador comum para a variância dentro de tratamentos. portanto. Em termos práticos estamos querendo verificar se o efeito do erro experimental afetou igualmente todos os tratamentos. quando o número de repetições por tratamento for o mesmo. as variâncias dentro de tratamentos tenderam a apresentar valores bem similares. Caso isto ocorra. Este teste só pode ser aplicado quando o número de graus de liberdade for o mesmo para todas as variâncias.5 1 0. o cálculo do quadrado médio do resíduo é o estimador comum da variância dentro de tratamentos. Na análise de variância.5 -2 -6 -4 -2 0 Resíduos 2 4 6 Z Z Empírico 2ª Pressuposição) Homogeneidade das variâncias residuais Para uma variável resposta Y...Anexo 6 – Pressuposições ANOVA Figura 4 – Gráfico de probabilidade normal para os dados do Exemplo 4. As hipóteses a serem testadas são 2 2 2 2 H0: σ E1 = σ E2 = . antes de interpretar os resultados da análise de variância faz-se necessário realizar um teste de hipóteses para a homogeneidade da variância dentro de tratamentos. sendo.

5 = 0. 2 Ei Se Ccal ≥ Ctab (α. 2 Ha: pelo menos uma σ Ei (i = 1.5 2 sE2 = 7. O valor da estatística de Cochran. é obtido por C cal = 7. se Ccal < Ctab.5 + 7.6287. rejeita-se H0. Para os dados do Exemplo 4.5 + 7.EST 220 – Estatística Experimental – I/2008 2 maior s Ei C cal = ∑s i=1 I . Caso contrário. K–1). considera-se satisfeita a pressuposição de homogeneidade de variâncias.5 As hipóteses testadas na pressuposição de homogeneidade de variâncias são iguais a: 2 2 2 2 2 H0: σ E1 = σ E2 = σ E3 = σ E4 = σ E . Portanto. 4. Tabela 5 – Valores originais e ajustados de Y e estimativas dos efeitos do erro experimental Trat 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 4 4 4 4 4 Rep 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 Yik 25 26 20 23 21 31 25 28 27 24 22 26 28 25 29 33 29 31 34 28 ˆ Yik 23 23 23 23 23 27 27 27 27 27 26 26 26 26 26 31 31 31 31 31 2 sEi êik 2 3 -3 0 -2 4 -2 1 0 -3 -4 0 2 -1 3 2 -2 0 3 -3 2 sE1 = 6. 6. I. 3 e 4) difere das demais.5 2 s E3 = 7. 201 . não se rejeita H0 e conclui-se que existe homogeneidade de variâncias residuais entre os tratamentos.2679 e Ctab (5%.1 as variâncias dentro de tratamento são apresentadas na Tabela 5. para os dados deste exemplo.5 Como Ccal < Ctab não rejeita-se H0. 4) = 0.5 2 s E4 = 6. 2.5 + 6.

Pode ser observado que a variabilidade da produção dentro de cada variedade. Figura 5 – Dispersão das produções observadas em cada variedade 40 35 30 Produção 25 20 15 10 5 0 0 1 2 Variedade 3 4 Um exemplo em que visualmente poderíamos ter um indicativo de que a variância não é a mesma para todos os tratamentos é apresentado na Figura 6. Para o exemplo em estudo este gráfico de dispersão é apresentado na Figura 5.Exemplo de gráfico de dispersão quando as variância dentro de tratamento não é homogênea 8 6 4 Resíduo 2 0 -2 -4 -6 -8 0 1 2 Variedade 3 4 202 . tende a ser a mesma em todas as variedades. Figura 6 .Anexo 6 – Pressuposições ANOVA A análise gráfica da homogeneidade de variâncias pode ser feita por meio da dispersão dos valores observados para cada nível do fator em estudo.

A ordem de coleta das observações dos dados do Exemplo 4. residuais e ordem de coleta Ordem de ˆ Variedade Repetição Yik Yik coleta 1 25 23 1 1 5 26 23 1 2 9 20 23 1 3 13 23 23 1 4 17 21 23 1 5 2 31 27 2 1 6 25 27 2 2 10 28 27 2 3 14 27 27 2 4 18 24 27 2 5 3 22 26 3 1 7 26 26 3 2 11 28 26 3 3 15 25 26 3 4 19 29 26 3 5 4 33 31 4 1 8 29 31 4 2 12 31 31 4 3 16 34 31 4 4 20 28 31 4 5 ˆ e ik -2 -3 3 0 2 -4 2 -1 0 3 4 0 -2 1 -3 -2 2 0 -3 3 203 .1 é apresentada na Tabela 6 e o gráfico de dispersão dos resíduos versus a ordem de coleta é apresentada na Figura 7. No início. Portanto. por exemplo ordem de coleta das observações. o erro associado a leitura é grande. Pode-se observar na Figura 7 que não existe nenhuma tendência nos resíduos em relação a ordem de coleta. um laboratorista está aprendendo a usar um equipamento. Isto pode ocorrer quando. para fazer a avaliação da independência dos erros é necessário ter informações adicionais. Uma das situações que podem fazer com que este resultado não aconteça é aquela em que o valor do erro tende diminuir na seqüência cronológica em que os valores são observados.EST 220 – Estatística Experimental – I/2008 3ª Pressuposição) Independência dos erros A independência dos erros da análise de variância significa que os erros não são correlacionados. Tabela 6 – Valores observados com os respectivos valores preditos. por exemplo. À medida que são feitas novas leituras o erro tende a ser menor.

os valores residuais tendem a ser maiores do que nas últimas coletas. Uma possível explicação para isto é o aprendizado na realização do experimento. Figura 8 – Dispersão dos resíduos em função da ordem de coleta Resíduo 204 . Nesta Figura 8 pode-se observar que nas primeiras coletas.Anexo 6 – Pressuposições ANOVA Figura 7 – Gráfico de dispersão dos resíduos versus a ordem de coleta das observações 5 4 3 2 1 0 -1 -2 -3 -4 -5 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Ordem A Figura 8 apresenta o gráfico de dispersão em que os erros não são independentes.

9 9 D 1 11. pede-se a) aplicar o teste de Liliefors.1 16 D 2 10. c) avaliar a independência dos erros.2 7 B 2 8. d) traçar o gráfico de probabilidade normal.1 2 A 2 8. e) traçar o gráfico para avaliar a homogeneidade de variâncias.EST 220 – Estatística Experimental – I/2008 Capítulo 4 – Delineamento Inteiramente Casualizado Exercícios extras 1) Considere que para o Exercício 4.2 15 D 4 11.7 é fornecida a ordem de coleta dos valores de ganho de peso.0 4 A 4 7. b) aplicar o teste de Cochran. 205 .1 8 C 1 6.8 5 B 3 4.9 1 A 3 6. conforme tabela abaixo Ração Repetição Ganho de Peso Ordem A 1 7.0 11 C 3 9.9 14 E 1 7.0 17 E 4 11.0 19 E 2 11.0 12 C 2 5.7 18 Com base nestas informações.9 6 B 4 6.1 10 C 4 3.0 3 B 1 6.3 20 E 3 10.8 13 D 3 10.

0 2 1 3 3.0 6 5 4 11. c) avaliar a independência dos erros.0 1 2 1 11.1 20 1 2 2.0 18 5 2 11.8 5 4 3 10.5 16 4 1 16.5 15 2 4 11.4 14 3 4 8.Anexo 6 – Pressuposições ANOVA 2) Considere que para um experimento em que foram avaliados 5 tratamentos com 4 repetições no DIC sejam fornecidas as seguintes informações Tratamento Repetição Yik Ordem 1 1 12.2 3 4 4 11.2 9 2 2 11. pede-se a) aplicar o teste de Liliefors.4 12 3 1 8. b) aplicar o teste de Cochran.3 10 2 3 11.3 11 3 3 8.0 4 1 4 1. 206 .3 12 5 3 10.7 17 Com base nestas informações.9 7 5 1 12. e) traçar o gráfico para avaliar a homogeneidade de variâncias. d) traçar o gráfico de probabilidade normal.1 8 3 2 8.1 19 4 2 10.

00 -3.00 3.0 -3.0 -4.00 Resíduos e) 14 12 Ganho de Peso 10 8 6 4 2 0 0 1 2 3 4 5 Ração 207 .0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Ordem d) Z Teórico 3 2 1 0 0.00 4.00 -2.00 2.00 1.00 -1 -2 -3 Z Empírico Z -4.0 -2.0 2.0 0.0 3.17337 b) C = 0.33 c) 4.0 -1.00 -1.0 Resíduo 1.EST 220 – Estatística Experimental – I/2008 Respostas (parciais) 1) a) d = 0.

00 Resíduos e) 18 16 14 Ganho de Peso 12 10 8 6 4 2 0 0 1 2 3 4 5 Ração 208 .00 -2.0 -2.0 8.0 6.0 Resíduo 4.0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Ordem d) Z Teórico 4 3 2 Z Empírico Z 1 0 0.97 c) 10.0 -6.Anexo 6 – Pressuposições ANOVA 2) a) d = 0.27322 b) C = 0.00 10.00 6.00 -4.0 0.00 -1 -2 -6.00 8.00 4.00 2.0 -4.0 2.

R1 Repetições 1 2 3 Totais Médias 1 100 100 100 300 100 2 100 100 100 300 100 Tratamentos 3 4 100 100 100 100 100 100 300 300 100 100 5 100 100 100 300 100 R2 Repetições 1 2 3 Totais Médias R3 Repetições 1 2 3 Totais Médias R4 Repetições 1 2 3 Totais Médias 1 98 99 100 297 99 1 98 98 98 294 98 1 90 100 110 300 100 Tratamentos 2 3 4 80 70 60 100 100 100 120 130 140 300 300 300 100 100 100 Tratamentos 3 4 100 101 100 101 100 101 300 303 100 101 Tratamentos 3 4 100 101 101 102 102 103 303 306 101 102 5 50 100 150 300 100 2 99 99 99 297 99 5 102 102 102 306 102 2 99 100 101 300 100 5 102 103 104 309 103 209 . R3 e R4) a SQ para uma ou mais FV apresentou valor zero. mas sim a uma transparência apresentada pelos professores em sala de aula.EST 220 – Estatística Experimental – I/2008 Observação: o exercício abaixo não se refere as pressuposições da ANOVA. R2. R3 e R4) para a realização de um experimento no DIC em que foram avaliados os efeitos de 5 tratamentos em 3 repetições. Exercício: Considere 4 resultados possíveis (R1. R2. R3 e R4. Explique a razão de ter sido obtido tais valores iguais a zero. R2. b) Para um ou mais dos resultados (R1. Para cada uma destas situações. pede-se: a) Proceda a ANOVA para R1.

Sign up to vote on this title
UsefulNot useful