Delineamento Inteiramente Casualizado 26 1. DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC). O DIC é mais simples dos delineamentos.

Os tratamentos se distribuem ao acaso em todas as unidades experimentais e o número de repetições por tratamento pode ser igual ou diferente. É muito útil para o estudo de métodos e técnicas de trabalho de laboratório, ensaios de vegetação e em experimentos com animais. Para sua aplicação, há necessidade que o meio atue de forma uniforme em todas as unidades experimentais e que estas sejam facilmente identificadas para receber o tratamento. Vamos começar com um exemplo: • Em um estudo do efeito da glicose na liberação de insulina, 12 espécies de tecido pancreático idênticas foram subdivididas em três grupos de 4 espécies cada uma. Três níveis (baixo - tratamento 1, médio tratamento - 2 e alto tratamento - 3) de concentração de glicose foram aleatoriamente designados aos três grupos, e cada espécie dentro de cada grupo foi tratado com o nível de concentração de glicose sorteado a eles. A quantidade de insulina liberada pelos tecidos pancreáticos amostrados são as seguintes:
Tratamento 1 Nível baixo (T1) Nível médio (T2) Nível alto (T3) Total 1,59 3,36 3,92 Repetições 2 3 1,73 4,01 4,82 3,64 3,49 3,87 Nº de repetições ri 4 4 4 12 Total 8,93 13,75 18,00 40,68 Média 2,23 3,44 4,50 Variância 0,91 0,21 0,54

4 1,97 2,89 5,39

Este é um estudo experimental com 12 unidades experimentais (amostras de tecido pancreático) e k=3 tratamentos. Cada tratamento é um nível de fator simples: concentração de glicose. Existem 4 repetições para cada tratamento. Os dados, quantidade de insulina liberada pelo tecido pancreático podem ser considerados como três amostras aleatórias, cada uma com r=4 repetições, ou de tamanho r=4 sorteadas de três populações. Dado que os tratamentos são designados às unidades experimentais completamente ao acaso, este delineamento é denominado de DELINEAMENTO INTEIRAMENTE AO ACASO (DIC). Em geral em um DIC, um número fixo de k tratamentos são sorteados às N unidades experimentais de tal forma que o i-ésimo tratamento é sorteado a exatamente ri unidades experimentais. Assim, ri é o número de repetições do i-ésimo tratamento e r1 + r2 + r3 + ... + rk = N . No caso em que ri são iguais, i.é., r1 = r2 = r3 = ... = rk = r , então N = rk e o delineamento é balanceado. Notação:

Estatística Experimental

j . ... . r y1r y2r y3r . . ANÁLISE DE VARIÂNCIA (ANOVA). . yk2 3 y13 y23 y33 . ... .. O método da análise de variância pode ser visto como uma extensão do teste t de student para amostras independentes.. . 2. . yk3 . . y 1+ y 2+ y 2+ . isto é.. ykr N=rk Total Média y 1+ y 2+ y 2+ . . . .. . . . . .. . . respectivamente. . . com µ i a média populacional do i-ésimo tratamento.. .. . . . .. • y + + e y + + representam. . ... . • µ é a média geral comum a todas as observações definida como k ∑r µ i i • • . . o método da ANOVA compara uma medida da magnitude variabilidade observada dentro das k amostras com uma medida da variabilidade entre as médias das k amostras. . .. . MODELO MATEMÁTICO DO DIC COM EFEITOS DE TRATAMENTOS FIXOS. . . N τ i o efeito do i-ésimo tratamento na variável dependente Y e mede o afastamento da média µ i em relação a µ . respectivamente. .Delineamento Inteiramente Casualizado 27 Repetições Tratamento 1 1 y11 2 3 . . . . . e eij é um erro casual não observável. . . .. O modelo associado ao DIC com efeitos fixos é y ij = µ + τ i + eij . 3. .. . o total geral (soma de todas as observações) e a média geral de todas as observações. ... o total e a média do iésimo tratamento. • y ij é a observação na unidade experimental que recebeu o i-ésimo tratamento na j-ésima repetição. respectivamente.. . . . . yk1 2 y12 y22 y32 . . .. sendo. . .... . . . .. k y21 y31 .. .. . . . Como no teste t de amostras independentes. . y k+ y ++ y k+ y ++ Convenções: • y i + e y i + representam. . µ= i =1 Estatística Experimental .. τ i = µ i − µ .. i . . .. .. yij .... . . . .

• • Var ( y ij ) = σ 2 . estamos supondo que as observações do experimento a ser analisado correspondem a amostras aleatórias de k populações normais com a mesma variância e que podem ou não ter médias diferentes. i =1 i =1 i =1 k k k 4. = τ k = 0 . pois. ou seja. 5. A Hipótese geral é: H 0 : τ 1 = τ 2 = . Como os y ij são funções lineares dos eij . vamos testar a não existência de efeito do fator (tratamento). σ 2 ) . HIPÓTESES ESTATÍSTICAS. resumidamente que y ij ~ N ( µ i . três tratamentos.. Portanto. temos que este modelo possui a restrição ∑ n i i τ i = 0 . σ ) . i =1 k ∑ riτ i = ∑ ri ( µ i − µ ) = ∑ ri µ i − rµ = 0 . As suposições usualmente associadas aos componentes do modelo do DIC são que os eij são variáveis aleatórias independentes e identicamente distribuídas com distribuição N ( 0 . Estatística Experimental . ou. no caso.Delineamento Inteiramente Casualizado 28 Pela definição de µ e τ i acima.. y ij são normalmente distribuídos 2 e independentes. considerando. SUPOSIÇÕES ASSOCIADAS AO MODELO. τ3 τ1 τ2 µ1 µ2 µ µ3 Figura: Ilustrações das suposições do modelo matemático associado ao DIC com um fator fixo. das suposições sobre os erros decorre que: • E ( y ij ) = µ + τ i = µ i . A figura abaixo representa graficamente esse fato.

.. . . . . PARTIÇÃO DA SOMA DE QUADRADOS. . .. .Delineamento Inteiramente Casualizado 29 6. ykr N=rk Total Média y 1+ y 2+ y 2+ .. . . .. . . . ... . y 1+ y 2+ y 2+ .. . Consideremos a identidade ( y ij − y + + ) = ( y ij − y i + ) + ( y i + − y + + ) . . . . y ij − y i + . . ... Estatística Experimental . . .. .. ... y k+ y ++ y k+ y ++ Podemos identificar os seguintes desvios: • y ij − y + + . k y21 y31 .. . . .. . . ... .. ... . a qual diz que a “ a variação de uma observações em relação à média geral amostral é igual à soma variação desta observação em relação à média de seu grupo com a variação da média do i-ésimo tratamento em que se encontra esta observação em relação à média geral amostral “. yk2 3 y13 y23 y33 . . i =1 j =1 i =1 j =1 i =1 k ri k ri k os duplos produtos são nulos. yij .. como o desvio de uma observação em relação a média • • amostral geral.. .. . ... j . r y1r y2r y3r ... . . i . O termo k ∑ ∑( y i =1 j =1 ri ij − y ++ )2 . Voltemos ao quadro de representação das observações no DIC Repetições Tratamento 1 1 y11 2 3 .. . . yk3 . . . como o desvio da observação em relação à média de seu grupo ou do i-ésimo tratamento. . . . y i + − y + + . .. . . . .. . . .. . . . . . Elevando-se ao quadrado os dois membros da identidade acima e somando em relação aos índices i e j. .. .. . obtemos: ∑ ∑ ( y ij − y + + ) 2 = ∑ ∑ ( y ij − y i + ) 2 + ∑ ri ( y i + − y + + ) 2 . . . . . como o desvio da média do i-ésimo tratamento em relação á média geral. yk1 2 y12 y22 y32 . . . ..

Delineamento Inteiramente Casualizado 30 é denominado de Soma de Quadrados Total e vamos denotá-lo por SQT. menor é a SQR. Quanto mais próximas estiverem as observações dentro de cada grupo (tratamento). Desde que temos k tratamentos e a restrição de que k ∑r (y i i =1 i+ − y ++ ) = 0 . podemos escrever que: SQT = SQR + SQTr. Dividindo a SQR e SQTr pelos correspondentes graus de liberdade. SQR SQTr QMR = e QMTr = N−k k −1 Estatística Experimental . 6. representada por SQR. Quanto mais diferentes entre si forem as médias dos tratamentos. Com esta notação. mede a variabilidade entre as médias dos tratamentos e por isso é denominada de Soma de Quadrados Entre Tratamentos.1. representada por SQTr. A SQTr possui k .1 graus de liberdade. Notem que a magnitude da SQR não depende da diferença entre as médias dos tratamentos. o número de graus de liberdade associado à SQR é: ∑( r i =1 i − 1 ) = kr − k = N − k . A componente k ∑r ( y i i =1 i+ − y + + ) 2 . ou N – 1. isto é. É denominada de Soma de quadrados Residual. Considerando apenas o i-ésimo tratamento. pois temos N observações e a restrição k ∑ ∑( y i =1 j =1 ri ij − y ++ ) = 0 . Assim. maior será a SQTr. obtemos. respectivamente o Quadrado Médio Residual (QMR) e o Quadrado Médio Entre Tratamentos (QMTr). A parcela: k ∑ ∑( y i =1 j =1 ri ij − yi+ ) . e é uma medida da homogeneidade interna dos tratamentos. temos que ∑( y j =1 jk ri ij − y i + )2 Possui ri – 1 graus de liberdade.O número de graus de liberdade associado à SQT é kr . QUADRADOS MÉDIOS.

Graficamente temos: Estatística Experimental . N −K ) . deve ser próximo de 1 se H0 for verdadeira. indicamos: Fc ~ F( k −1 . F( k −1 . Resumidamente. Fc = Rejeitamos H0 para o nível de significância α se Fc > F( k −1 . A estatística para o teste é QMTr .Delineamento Inteiramente Casualizado 31 7. α ) o quantil de ordem (1 − α ) da distribuição F-Snedecor com (k -1) e (N – k) graus de liberdade. ESTATÍSTICA E REGIÃO CRÍTICA DO TESTE. A teoria nos assegura que Fc tem. enquanto que valores grandes dessa estatística são uma indicação de que H0 é falsa. sob H0 distribuição F – Snedecor com (k -1) e (N – k) graus de liberdade.α ) . sob H 0 . sendo. N − K . N −K . QMR a qual.

DETALHES COMPUTACIONAIS.. QMR é um estimador não viesado da variância σ 2 .l.. Fonte de variação Entre Tratamentos Resíduo (dentro dos tratamentos) g. consequentemente. ri SQ QM Fc k-1 k Yi 2 ( Y + + ) 2 ∑ r+ − N i =1 i ( Yi + ) 2 ∑ ∑Y − ∑ r i =1 j =1 i =1 r k 2 ij k r QMTr = QMR = SQTr k −1 SQR N−k QMTr QMR N-k TOTAL N-1 ∑ ∑ Yij2 − i =1 j =1 ( Y+ + ) 2 N Pode-se provar que: • E ( QMR ) = σ 2 . ( y )2 • Calcule a correção para a média CM = + + . i =1 r i • Calcule a Soma de Quadrados Residual (SQR) pela diferença. = τ k = 0 é verdadeira. isto é. QUADRO DA ANÁLISE DE VARIÂNCIA (ANOVA). • Calcule os Quadrados Médios Entre os Tratamentos (QMTr) e o SQTr SQR Quadrado Médio Residual (QMR) QMTr = e QMR = k −1 N−k QMTr • Calcule Fc para tratamentos Fc = QMR Notem que estas fórmulas computacionais assumem que existe ri repetições para o i-ésimo tratamento. ou seja. k r 2 • E ( QMTr ) = σ + ∑ τ i .Delineamento Inteiramente Casualizado 32 8. N • Calcule a Soma de Quadrados dos Totais (SQT) 2 SQT = ∑ ∑ y ij − CM . i =1 j =1 k ri Calcule a Soma de Quadrados Entre os Tratamentos (SQTr) ri Y2 SQTr = ∑ i + − CM . Dispomos as expressões necessárias ao teste na Tabela abaixo denominada de Quadro de Análise de Variância (ANOVA). para um • Estatística Experimental . Apresentaremos alguns passos que facilitam os cálculos das somas de quadrados da ANOVA. 9. QMTr é um estimador não ( k − 1 ) i =1 viesado da variância σ 2 se a hipótese H 0 : τ 1 = τ 2 = . ou seja. SQR = SQT − SQTr .

18 = 15 . logo também é significativo a 5%). + ( 5 .15 e QMR = = 0 . 0 . 10.30 4 .20 − 137 .98 QM 5.18 − 137 . = k − 1 = 3 − 1 = 2 Re s = N − k = 12 − 3 = 9 ( 40 .01. 0 .9 .15 0.28 − 10 .59 ) 2 + (1. Trat .28 TOTAL Das tabelas das distribuições F. ri deve ser substituído por r.98 • QMTr = = 5 .75 ) 2 (18 .30 4 4 4 SQR = SQT − SQTr = 15 .55 Fc 9..31 QMR 0 .93 ) 2 (13 . temos que F( 2 . Estas várias soma de quadrados obtidas nestes cinco passos podem ser resumidas no quadro da ANOVA apresentado no item 8.Delineamento Inteiramente Casualizado 33 experimento balanceado com r repetições para cada tratamento.30 4..73 ) 2 + .39 ) 2 − CM = 153 .00 ) 2 SQTr = + + − CM = 148 .9 .01 ) = 8 .022 . EXEMPLO 1: Vamos considerar os dados apresentados no item 1. ou 1% de probabilidade (se é significativo a 1%. 2 9 SQ 10. Desejamos testar a hipótese nula H 0 : µ1 = µ 2 = µ 3 H1 : µ i ≠ µ j para pelo menos um par i ≠ j Os cálculos para montar-mos o quadro da ANOVA são: temos k = 3.31 11 15. então rejeitamos a hipótese nula H0 a um nível α = 0 . e N = 3x4 =12. O valor Fc=9.l.257 e F( 2 .28 ( 8 .55 O quadro da ANOVA para a variável insulina liberada é o seguinte: Fonte de variação Entre Tratamentos Resíduo (dentro dos tratamentos) g. Estatística Experimental . Então • • • • • Graus de liberdade: Total = N − 1 = 12 − 1 = 11.91 12 SQT = (1.98 10 .91 = 10 . r = 4.98 • Fc = = = 9 .31 é maior do que estes valores tabelados.55 2 9 QMTr 4 .68 ) 2 CM = = 137 .30 = 4 .05 ) = 4 .

6 4.4605 0. ou 1% . press F1 for help.006 Level 0 1 2 N 4 4 4 Mean 2.297 5.8 Estatística Experimental . para um nível de α = 0 .148 Error 9 4. que a quantidade de insulina liberada é diferente para pelo menos dois níveis de glicose.9514 0. Resultados fornecidos pelo Minitab Welcome to Minitab.7438 StDev 0.Delineamento Inteiramente Casualizado 34 Podemos concluir que.7366 Pooled StDev = Individual 95% CIs For Mean Based on Pooled StDev ---------+---------+---------+------(------*------) (------*------) (-------*------) ---------+---------+---------+------2.31 P 0.553 Total 11 15.4375 4.979 0.2325 3.4 3.5000 0.01.276 F 9. One-way ANOVA: Ilib versus Nível Analysis of Variance for Ilib Source DF SS MS Nível 2 10.

900 − 115627 .2 ) • CM = = 115627 .6 66. 19 porcos foram distribuídos aleatoriamente a 4 grupos.1 84.8 * 90. EXEMPLO 2: Em um experimento em que se mediu o peso corporal (kg).6 87.1 ) 2 ( 346 .3 Nº de repetiç ões ri 5 5 4 5 19 Total 303. = k − 1 = 4 − 1 = 3 • Graus de liberdade: Re s = N − k = 19 − 4 = 15 2 (1482 . os cálculos para montar-mos o quadro da ANOVA são: Total = N − 1 = 19 − 1 = 18 .0 100.557 3 15 QMTr 1408 .2 1482.0 74.7 102.202 19 SQT = ( 60 .1 346.3 96..2 Temos um experimento desbalanceado com número de repetições desigual para os tratamentos. Desejamos testar a hipótese nula H 0 : µ1 = µ 2 = µ 3 = µ 4 H1 : µ i ≠ µ j para pelo menos um par i ≠ j As observações obtidas são Tratamento 1 Dieta 1 Dieta 2 Dieta 3 Dieta 4 Total 60. + ( 90 .202 = 128 .3 ) 2 − CM = 119981.7 69. Deseja-se testar se oos pesos dos porcos são os mesmos para as 4 dietas.698 • • • • ( 303 .202 = 4226 .557 SQTr = Estatística Experimental . Trat .202 • = 4354 ..8 ) 2 + .2 Repetições 3 65.5 85.4 431.Delineamento Inteiramente Casualizado 35 11.350 4226 .783 Fc = = = 165 QmR 8 .2 83.7 102.7 67.348 SQR = SQT − SQTr = 4354 .5 401.1 4 58. Cada grupo foi alimentado com dietas diferentes.2 ) 2 + + + − CM 5 5 4 5 = 119853 . Então.8 68.698 − 4226 .350 QMTr = = 1408 .900 − 115627 .9 2 57.7 5 61.5 ) 2 ( 401.4 ) 2 ( 431.783 e QMR = = 8 .348 128 .

(Fazer este exemplo no Minitab) Estatística Experimental . que os pesos dos porcos são diferentes para pelo menos duas dietas.783 8.01.50 QM 1408.557 Fc 165 TOTAL 18 4354. então. Mais facilmente. juntamente com um computador. estes cálculos simples são facilmente e rapidamente feitos com o uso de uma calculadora de mão. com um bom programa computacional estatístico.Delineamento Inteiramente Casualizado 36 O quadro da ANOVA para a variável peso (kg) é o seguinte: Fonte de variação Entre Tratamentos Resíduo (dentro dos tratamentos) g.15 . temos que F( 3 . e claro.15 . Graficamente a regra de decisão fica Podemos concluir que. ou 1% de probabilidade (se é significativo a 1%. ou 1% .348 128. rejeitamos a hipótese nula H0 a um nível α = 0 . 3 15 SQ 4226. 0 .417 . para um nível de α = 0 .l. ainda. 0 . O valor Fc=165 é maior que estes valores.287 e F( 3 .698 Das tabelas das distribuições F.05 ) = 3 .01 ) = 5 . logo também é significativo a 5%). Atenção!!!! Com um pouco de prática.01.

46 ri 4 o valor de t ( 0 . 2. 15 ) = 2 . N −k ) o quantil de ordem (1 − α Como primeiro exemplo.557 = = 1. sendo. obtemos os estimador de µ = y + + e τ i = y i + − y + + e o ˆ ˆ estimador de µ i = µ − τ i = y i + . y 3 + = = 100 . Para o terceiro tratamento o erro padrão ri 5 médio é QMR 8 ..557 = = 1. vamos considerar os dados do experimento apresentado no item 11.. 2 e 4 é QMR 8 .4 y 1+ = = 60 . 5 5 4 • 431. y 2 + = = 69 . .. k . Nesta seção mostraremos os estimadores do modelo do DIC y ij = µ + τ i + eij .025 . devemos notar que: y i + − µi ~ t ( n−k ) .é.1 346 .Delineamento Inteiramente Casualizado 37 12 ESTIMADORES DE MÍNIMOS QUADRADOS. .35 . ( . Assim.1314 . tem distribuição t – Student com (n – k) graus de liberdade.24 e a média geral é y + + = 79 .k... t ( α 2 . sujeito a restrição ∑r τ i i =1 i = 0 . Assim procedendo.. As médias destes dados são: 303. 1 − α ) = y i + ± t α .N −k ) r 2 ) da distribuição t – Student com 2 (n – k) graus de liberdade. i = 1.. i=1.50 401.31 .62 .13 5 • do quadro da ANOVA temos o valor de QMR para calcular desvio padrão médio para os tratamentos 1.2 e y 4+ = = 86 . 2 . Estes estimadores são obtidos minimizando-se a expressão do erro deste modelo k ∑ ∑( y i =1 j =1 ri ij ˆ − y ij ) 2 k Em relação a µ e τ i . os intervalos são: • Estatística Experimental . os mesmos graus de liberdade do resíduo da ANOVA. QMR ri i. Um intervalo de confiança para µ i com um coeficiente de confiança (1 − α ) é dado por QM Re s IC ( µ i .30 . ˆ ˆ ˆ Para construir um intervalo de confiança para a média de cada tratamento.

39 • do quadro da ANOVA temos o valor de QMR para calcular QMR 0 . cujos cálculos foram mostrados no item 10.599.23 . 9 ) = 2 . a variação total nas observações .557 = y i + ± 1.557 = y i + ± 1. Assim.553 = = 0 . os intervalos são: IC ( µ i . r 4 • o valor de t ( 0 . y ij = µ + τ i + eij . o coeficiente de determinação para modelo do DIC.93. Como segundo exemplo.31. 4 4 4 y + + = 3 .071) µi IC ( µ i . 5.262 Nível baixo de glicose 2.341) Problema: identificar quais os níveis de glicose (tratamentos) que tiveram efeitos não nulos sobre a liberação de insulina dos tecidos. As médias destes dados são: 8. 13 COEFICIENTES DE DETERMINAÇÃO (R2) E DE VARIAÇÃO (CV).23 (1. 3.Delineamento Inteiramente Casualizado 38 IC ( µ i .025 .1314 IC ( µ i . para i = 3 4 Dieta 2 Dieta 3 Dieta 4 69. 95%) Dieta 1 60.35 86. A parte da Soma de Quadrados Total (SQT). para i = 1.31. é definido como R2 = SQTr .46 .75 18 . 87.55) Problema: identificar quais as Dietas (tratamentos) que tiveram efeitos não nulos sobre o peso dos suínos. 4.62 (59. 95%) = y i + ± 2 .99.659.44 . 61.81) (84. y 3 + = = 4 .2 . 95%) = y i + ± 2 . é denominada de coeficiente de determinação.841 4 Nível médio Nível alto de glicose de glicose 3. e 4 5 µi IC ( µ i . que pode ser explicada pelo modelo matemático do DIC.553 = y i + ± 0 . SQT Estatística Experimental .30 100.93 13 .50 (2. y 2 + = = 3 . 70.61) (98. vamos considerar os dados do experimento apresentado no item 1.50 e • .262 .00 y 1+ = = 2 . 95%) 0 .24 (67.372 .281) (3.1314 8 .93) 8 .44 4. Assim. 95%) = y i + ± 2 .89 101.389.

métodos gráficos são ferramentas muito populares para checar as violações das hipóteses da ANOVA. Entretanto. Ele também é moderadamente insensível às violações de variâncias iguais. ou seja. especialmente se amostras pequenas estão associadas com tratamentos que têm as maiores variâncias. Resíduos. A variabilidade entre as unidades experimentais de experimentos envolvendo diferentes unidades de medidas e/ou tamanhos de parcelas pode ser comparada pelos coeficientes de variação.30 . CHECANDO AS VIOLAÇÕES DAS SUPOSIÇÕES DA ANOVA. y ++ mas. O resíduo correspondente a uma observação y ij é definido como: ˆ eij = y ij − y ij = y ij − µ − τ i = y ij − y i + . cujos cálculos foram mostrados no item 10.674 SQT 15 .39 Concluímos que 67. variâncias desiguais podem ter um efeito marcante no nível do teste. da ANOVA sabemos que S = QMR .Delineamento Inteiramente Casualizado 39 Pode ser verificado que 0 ≤ R 2 ≤ 1 e que R 2 = 1 quando toda variabilidade nas observações esta sendo explicada pelo modelo matemático do DIC. Neste exemplo temos: SQTr 10 . Alguns destes métodos gráficos mais comumente usados para checar as suposições da ANOVA são baseados em gráficos denominados gráficos dos resíduos.88% y ++ 3 . os quais expressam o desvio padrão por unidade experimental como uma porcentagem da média geral do experimento. teste de Shapiro-Wilks e teste de Kolmogorov-Smirnov.4% da variabilidade que existe nas observações deste experimento são explicadas pelo modelo matemático do DIC e que este experimento apresenta um coeficiente de variação de aproximadamente 22%. S CV = * 100 . Falando de um modo geral. então R 2 = = = 0 . ˆ ˆ Estatística Experimental . que testam a normalidade da população.28 e SQTr = 10 .55 QMR * 100 = * 100 = 21. • CV = 14. Existe uma série de procedimentos para se testar se as suposições da ANOVA são violados.30 • SQT = 15 .28 CV = 0 . y ++ Como exemplo vamos considerar os dados do experimento apresentado no item 1. Com o advento dos modernos computadores. A igualdade das variâncias (homocedasticidade) pode ser testada pelos testes de Bartlett e de Levene. Entre estes temos o teste de Anderson-Darling. o teste F da ANOVA não é muito sensível às violações da suposição de distribuição normal. se os tamanhos das amostras são iguais e não muito pequenas em cada tratamento. daí resulta que QMR * 100 .

Técnicas gráficas para checar se uma amostra de resíduos é provenientes de uma população normal incluem os gráficos do Histograma. denominada de probabilidade empírica N +1 posto de eij acumulada e está associada a todo eij . cujo posto é o sexto (seu rank=6) em uma conjunto de N=10 resíduos é p=6/11 = 0.Delineamento Inteiramente Casualizado 40 ou seja. Veja os esquemas a seguir O primeiro passo na construção de um gráfico q – q normal é o cálculo de nº de resíduos ≤ eij pij = . N +1 Por exemplo.545. do Box – Plot. de tal forma que pij = . A assimetria é indicada por gráficos côncavos (assimetria a esquerda) e convexos (assimetria a direita). Se o gráfico é sigmóide é uma indicação de que a população tem as caudas pesadas ou leves. Gráfico dos resíduos para testar a normalidade. a probabilidade empírica acumulada associada ao resíduo. O gráfico q .q normal (quantile-quantile normal plot). Sendo que: zα é o valor critico de nível α de uma distribuição normal padronizada Exemplo: vamos considerar os dados apresentados no item 1.q normal de um conjunto de resíduos é obtido plotando-se os resíduos eij vs q ij = z(1 − pij ) . Uma outra importante técnica é o gráfico q. Sob a hipótese de normalidade este gráfico q – q normal deve se aproximar de uma reta. Calculando os resíduos correspondentes a todas as observações de um experimento e analisando-os descritivamente de forma apropriada. é um gráfico entre os resíduos e um conjunto de percentis devidamente escolhidos da normal padronizada. o resíduo corresponde á parte da observação que não foi explicada pelo modelo. Vamos construir um gráfico q-q normal para ver se a suposição de normalidade parece razoável para a quantidade de insulina liberada Estatística Experimental . O gráfico q-q normal. etc. podemos saber se as suposições da ANOVA estão sendo satisfeitas.

59 1.154 0.63 0.44 3.426 -0.44 3.55 -0.020 1.462 0.001 -0.231 0.64 1.308 0.50 .49 2.923 0.23 3.82 3.01 .50 4.50 4.0 0.502 -0.097 0.26 -0.385 0.80 .44 4.692 0.50 1.077 0.99 .0000000 StDev: 0.89 3. os resíduos e os percentis associados: i 1 1 1 1 2 2 2 2 3 3 3 3 j 1 2 3 4 1 2 3 4 1 2 3 4 Yij 1.846 qij -1.23 2.97 3.01 3.502 -1.08 0.20 .64 -0.32 -0.5 0.999 .05 -0.736 0.89 R(eij) 1 5 12 6 7 10 8 4 3 9 2 11 Pij 0.95 Probability .5 1.426 -0.50 4.58 0.05 .672806 N: 12 Anderson-Darling Normality Test A-Squared: 0.39 Yest 2.36 4.123 Estatística Experimental .097 0.23 2.44 3.0 1.41 -0.549 P-Value: 0.92 4.293 -0.23 2.5 eij Average: 0.736 0.50 eij -0.615 0.87 5.538 0.769 0.73 3.Delineamento Inteiramente Casualizado 41 O Quadro abaixo apresenta os dados.293 1.57 0.020 e o gráfico q q normal ( eij x q ij ) fica sendo: Normal Probability Plot . o valor estimado pelo modelo.

549 e p = 0 .672806 0.64250 -0.42748 1.50606 -0.0 0.452668 0.000000 0. Para o teste da homogeneidade da variância somente apresentaremos os resultados dos testes de Bartlett e Levene fornecidos pelo Minitab: Estatística Experimental .50937 1. logo é razoável supor a normalidade para os dados de liberação de insulina.40750 0.89E-02 12 -0.42748 -0. o qual testa a hipótese H 0 : a população amostrada tem distruição normal H1 : a população amostrada não tem distruição normal ou H 0 : eij ~ N ( 0 . σ 2 ) H1 : eij não tem N ( 0 .5 0. Pelo teste de normalidade de Anderson-Darling.14234 0.Delineamento Inteiramente Casualizado 42 e os gráficos do Histograma e do Box – Plot dos resíduos fica: Descriptive Statistics Variable: eij Anderson-Darling Normality T est A-Squared: P-Value: Mean StDev Variance Skewness Kurtosis N Minimum 1st Quartile Median 3rd Quartile Maximum -0.123 ( p > 0 .6 1.2 95% Confidence Interval for Mu 95% Confidence Interval for Mu 95% Confidence Interval for Sigma 0.549 0.123 0. A 2 = 0 .0 0. σ 2 ) Concluímos que não rejeitamos H 0 .17000 0.57145 95% Confidence Interval for Median Pelos gráficos q q normal.47661 95% Confidence Interval for Median -0. pelo histograma e pelo Box-Plot é razoável supor a normalidade para os dados de liberação de insulina.5 0.57188 -0.05 ) .6 0.964946 1.

05) para o teste de Levene. Concluímos. • super-estima a variância residual. embora o desejável é ter o mesmo número de unidades experimentais em todos os tratamentos. que a homogeneidade das variâncias é uma suposição plausível para os dados da liberação da insulina.Delineamento Inteiramente Casualizado 43 Test for Equal Variances for Yij 95% Confidence Intervals for Sigmas Factor Levels 1 Bartlett's Test Test Statistic: 1. As principais vantagens do DIC são: • é fácil de ser planejado e é flexível quanto ao número de tratamento e de repetições tendo como única limitação o número de unidades experimentais disponíveis para o experimento. 14. • o DIC proporciona o número máximo de graus de liberdade para o resíduo. • o número de repetições pode variar de tratamento para tratamento. VANTAGENS E DESVANTAGENS DO DIC. então. podendo comprometer a precisão das análises. os níveis mínimos de significância dos testes é p=0. Estatística Experimental . • a análise estatística é simples mesmo que se perca algumas unidades experimentais.530 2 Levene's Test Test Statistic: 0.375 P-Value : 0.270 P-Value : 0.53 (p>0.698 3 0 1 2 3 4 5 Aqui a hipótese que está sendo testada é 2 2 H 0 : σ 12 = σ 2 = σ 3 H1 : σ i2 ≠ σ 2 j i≠ j Pelos resultados destes testes não rejeitamos H 0 . Algumas desvantagens são: • é mais apropriado para um pequeno número de tratamentos e para um material experimental homogêneo.05) para o teste de Bartlett e p=0. Assim é razoável supor que este conjunto de dados suporta as suposições básicas de normalidade e homogeneidade da variância para a correta aplicação da ANOVA.698 (p>0. • todas as fontes de variação não associadas aos tratamentos farão parte do resíduo.

C. 2. 456p.Delineamento Inteiramente Casualizado 44 15. P. Ele maximiza os graus de liberdade para a estimação da variância por unidade experimental (erro experimental ou erro residual) e minimiza o valor da estatísca F requerido para a significância estatística. O DIC é mais útil onde não existe nenhuma fonte de variação identificável entre as unidades experimentais.ed.. Estatística aplicada à experimentação animal. NC: SAS Institute Inc. D.ed. SALDIVA.M. 1998. Planejamento de experimentos. PEREZ. I. São Paulo: Atlas: 1999. 98p. Leitura complementar: • • VIEIRA. C. • • Estatística Experimental .Cary.1999. 5º SIMPÓSIO NACIONAL DE PROBABILIDADE E ESTATÍSTICA. LITTELL.A. 221p. 185p.B. É o mais flexível com respeito ao arranjo físico das unidades experimentais. SAMPAIO. SHCHLOTZHAUER. S. exceto às dos efeitos dos tratamentos. S. 2. Belo Horizonte: Fundação de Ensino e Pesquisa em Medicina Veterinária e Zootecnia. SAS System for elementary statistical analysis. 1981. Estatística experimental. R. RESUMO.

Sign up to vote on this title
UsefulNot useful