Apostila de Estatística Experimental

EST 220 Estatstica Experimental
1o perodo letivo de 2010
Professores da disciplina em I/2010

Jos Ivo Ribeiro Jnior
Nerilson Terra Santos
Sebastio Martins Filho
OBSERVAO: O contedo desta apostila o mesmo que

o utilizado nos anos de 2008 e 2009. Por esta razo, o
cabealho dos captulos contm a informao I/2008 ao
invs de I/2010.
UNIVERSIDADE FEDERAL DE VIOSA

Departamento de Estatstica
1o perodo letivo de 2010
1. Contedo
Cap. 1 Testes de Hipteses
Cap. 2 Contrastes
Cap. 3 Introduo Experimentao
Cap. 4 Delineamento Inteiramente Casualizado
Cap. 5 Procedimentos para Comparaes Mltiplas
Cap. 6 Delineamento em Blocos Casualizados
Cap. 7 Delineamento em Quadrado Latino
Cap. 8 Experimentos Fatoriais
Cap. 9 Experimentos em Parcelas Subdivididas
Cap.10 Regresso
Cap.11 Correlao
2. Avaliao
O sistema de avaliao constar de trs provas, com pesos iguais. As datas das provas esto
apresentadas no planejamento da disciplina em anexo.
O assunto pertinente as 1a, 2a e 3a provas, ser divulgado em sala de aula na semana que a
prova ocorrer. Tambm nesta semana, o professor informar em sala de aula, a distribuio dos
estudantes s salas de prova de acordo com o nmero de matrcula dos estudantes.
O estudante que perdeu a 1a ou a 2a ou a 3a prova, por qualquer motivo que seja (viagem de
carter particular, atestado mdico, participao em congressos, etc.), poder fazer a Prova
Substitutiva. Esta prova substitutiva abordar todo o assunto do semestre. No necessrio
apresentar justificativa para fazer a prova substitutiva. A data da prova substitutiva tambm se
encontra no planejamento em anexo.
Alm de levar documento com foto para fins de fiscalizao durante qualquer uma das
provas, o estudante deve tambm levar o seu conjunto de tabelas, pois as mesmas so de uso
individual. Estas tabelas no devem conter nenhuma informao adicional. A existncia de tais
informaes adicionais implica o uso de cola, estando o estudante sujeito s penalidades
previstas no regimento da Universidade Federal de Viosa.
Os alunos que no obtiverem mdia final para aprovao, podero realizar a prova final, cujo
assunto toda a matria lecionada durante o perodo letivo.
Divulgao das Notas de Provas
As notas da 1 e 2 provas sero divulgadas no mximo, at 3 semanas aps a realizao de
cada uma delas. J as provas 3a e substitutiva tero as notas divulgadas at 3 dias aps a
realizao da prova substitutiva.
Reviso de Prova
O coordenador marcar um perodo NICO de reviso para cada uma das provas. O
estudante deve respeitar este perodo de reviso, pois no sero abertas excees para que o
estudante faa a reviso de suas provas fora do perodo de reviso estabelecido.
Normalmente as revises das provas, so realizadas com o monitor, no horrio de monitoria
na sala 301 B do prdio do CCE, mesmo que a monitoria regular esteja marcada para outro
local. Nos horrios marcados para reviso o monitor no poder dar atendimento aos alunos.
3. Monitoria
O horrio e local de monitoria, ser divulgado na 3a semana de aula.
Ser solicitado ao monitor agendar horrios extras na semana de cada prova. O local destes
horrios extras ser divulgado no quadro de avisos da estatstica no prdio do CCE (quadro prximo
a sala de monitoria).
4. Bibliografia
suposto que o estudante venha para todas as aulas com uma cpia da apostila EST 220
Estatstica Experimental 1 Perodo Letivo de 2010 a qual se encontra a disposio para ser copiada
em local a ser mencionado em sala de aula. Alm desta referncia, o aluno pode complementar o
assunto abordado nesta disciplina com leitura nas seguintes literaturas:
1. BANZATTO, D.A. & KRONKA, S.N. Experimentao Agrcola. Jaboticabal, FUNESP,
1989. 249 p. (Referncia para os Captulos: 4, 6, 8 e 9).
2. COSTA NETO, P.L.O. Estatstica. So Paulo, Ed. Edgard Blcher Ltda, 1977. 264 p.
(Referncia para o Captulo: 1).
3. GOMES, F.P. Curso de Estatstica Experimental. 12a ed., So Paulo, Livraria Nobel S.A.,
1987. 467 p. (Referncia para os Captulos: 3, 4, 5, 6, 7, 8 e 9).
4. HOFFMANN, R. & VIEIRA, S. Anlise de Regresso Uma Introduo Econometria. 2a
ed., So Paulo, Ed. Hucitec, 1983. 379 p. (Referncia para o Captulo: 10).
5. MONTGOMERY, D.C. e RUNGER, G. C. Estatstica Aplicada e Probabilidade para
Engenheiros. Rio de Janeiro. LTC Livros Tcnicos, 2003, 463p. (Referncia para os
Captulos: 3, 4, 5, 6, 7, 8 e 10).
6. VIEIRA, S. & HOFFMANN, R. Estatstica Experimental. So Paulo, Ed. Atlas S.A., 1989.
179 p. (Referncia para os Captulos: 3, 4, 6, 8, 9 e 10).
5. Professores
Prof. Jos Ivo Ribeiro Jnior CCE 306B 3899-1783
Prof. Nerilson T. Santos (Coordenador) CCE 312B 3899-1784
Prof. Sebastio Martins Filho CCE 316B 3899-1773
6. Horrios das Turmas de EST 220

Hora
2 Feira
810
3 Feira
T1 Sebastio PVA107
T4J. IvoPVB107
4 Feira
6 Feira
T5J. IvoPVB101
T1Sebastio PVA107
T4J. IvoPVB107
1012 T5J. IvoPVB101

1416 T3NerilsonPVB209
1618
5 Feira
T2NerilsonPVB208
T3NerilsonPVB209
T2NerilsonPVB208
EST220 Planejamento de Aulas 1 Perodo Letivo de 2010

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
34
35
36
Semana
01/03 a 05/03 1
2
08/03 a 12/03 1
2
15/03 a 19/03 1
2
22/03 a 26/03 1
2
29/03 a 02/04 1
2
05/04 a 09/04 1
2
3
12/04 a 16/04 1
2
19/04 a 23/04 1
2
26/04 a 30/04 1
2
03/05 a 07/05 1
2
10/05 a 14/05 1
2
17/05 a 21/05 1
2
3
24/05 a 28/05 1
2
31/05 a 04/06 1
2
07/06 a 11/06 1
2
14/06 a 18/06 1
2
21/06 a 25/06 1
2
3
4
28/06 a 02/07 1
Assunto
Apresentao da disciplina
Testes de hipteses: conceitos
Teste t para uma mdia
Teste t para duas mdias independentes
Teste t para duas mdias dependentes
Teste F para duas varincias. Exerccios
Contrastes: conceitos
Mtodos para obteno de contrastes ortogonais
Princpios bsicos da experimentao
Recesso Semana Santa
Exerccios
Tira dvidas
1 Prova 07/04 4 feira 18:20 h
Delineamento inteiramente casualizado (DIC)
Pressuposies da ANOVA
Testes de Tukey e Duncan
Feriado Feriado Tiradentes Dia do Trabalho
Testes t e de Scheff
Delineamento em blocos casualizados (DBC)
Exerccios do DBC
Delineamento em quadrado latino (DQL)
Experimento fatorial (EF)
Interao AxB significativa de EF
Exerccios
Tira dvidas
2 Prova 24/05 2 feira 20:30 h
Experimento em parcelas subdivididas (EPS)
Interao AxB significativa de EPS
Regresso linear de 1o grau
Feriado Corpus Christi
Regresso linear de 2o grau
Regresso com repeties
Correlao
Exerccios
Tira dvidas
3 Prova 23/06 4 feira 18:20 h
Prova Substitutiva 24/06 5 Feira 12:00 h
Aula SAS 25/06 12:00 h
Reviso Prova 3 e Substitutiva
ndice
Captulo 1 - Testes de Hipteses
Captulo 2 - Contrastes
22
Captulo 3 Introduao Experimentao
30
Captulo 4 - Delineamento Inteiramente Casualizado
37
Captulo 5 Procedimentos para Comparaes Mltiplas
45
Captulo 6 - Delineamento em Blocos Casualizados
53
Captulo 7 - Delineamento em Quadrado Latino
65
Captulo 8 - Experimentos Fatoriais
71
Captulo 9 - Experimentos em Parcelas Subdivididas
95
Captulo 10 - Regresso
111
Captulo 11 Respostas dos Exerccios
125
Anexo 1 - Formulrio e Tabelas
151
Anexo 2 Frmula Geral para o Clculo de Soma de Quadrados 167

Anexo 3 Introduo ao Uso do Programa SAS
169
Anexo 4 p-valor
190
Anexo 5 Exemplo Extra ANOVA
191
EST 220 Estatstica Experimental I/2008

________________________________________________________________
1. Testes de Hipteses
1.1. Introduo
Os testes de hipteses fazem parte de um conjunto de procedimentos inferenciais
usados em estatstica. O uso de tais procedimentos permite ao pesquisador fazer
inferncias a respeito de uma populao a partir de uma ou mais amostras
representativas da populao da qual as amostras foram retiradas.
No dia a dia usamos de inferncia para tomarmos certas decises. Por exemplo,
quando vamos a feira para comprar abacaxi e um feirante nos oferece um pedao de
abacaxi. Qual o nosso procedimento? Se aquele pedao de abacaxi for doce, conclumos
que todo o lote de abacaxi vendido por aquele feirante doce. Por outro lado, se o
pedao for azedo, inferimos que todo o lote azedo. lgico que podemos tomar
decises erradas devido amostragem. Por exemplo, corremos o risco de levar abacaxi
azedo para casa, mesmo que a nossa prova tenha sido doce. Isto pode acontecer porque
o lote de abacaxi pode no ser completamente uniforme no teor de acar, ou porque
experimentamos um abacaxi doce no meio de um lote composto por abacaxis azedos.
Este um exemplo prtico que ilustra o princpio bsico do teste de hipteses.
Porm, em cincia necessrio que todos os procedimentos sejam padronizados e bem
especificados. O objetivo deste captulo fornecer os conceitos tericos fundamentais
para um correto uso dos testes de hipteses. Neste captulo, sero abordados alguns dos
testes de hipteses mais comuns para comparar no mximo parmetros de duas
populaes. Outros testes de hipteses aplicveis para comparaes de parmetros
envolvendo mais de duas populaes sero apresentados no Captulo 5.
1.2. Conceitos fundamentais em testes de hipteses

1.2.1 Parmetro
Parmetro uma medida usada para caracterizar uma populao. Assim sendo
para se obter o valor de um parmetro necessrio coletar a informao a respeito de
uma ou mais variveis em todos os indivduos dessa populao, ou seja, realizar um
censo da mesma. possvel caracterizar uma populao por meio de duas medidas
principais: posio e disperso.
As medidas de posio so tambm conhecidas como medidas de tendncia
central, pois elas indicam em que posio, a distribuio dos valores de uma populao
tendem a se concentrar. Alguns exemplos de medidas de posio so a mdia aritmtica
( m = = E( X) ), a mediana (Md) e a moda (Mo).
As medidas de disperso indicam quanto os valores de uma populao esto

dispersos em torno de sua mdia. Como exemplo de medidas de disperso temos a
varincia ( 2 = V( X) ) e o desvio-padro ( ).
1.2.2 Estimador
Na grande maioria das situaes, no possvel realizar o censo de uma
populao, porque ou a populao muito grande ou de tamanho infinito. Para
contornar este problema, o pesquisador pode retirar uma amostra da populao e a partir
desta amostra caracterizar a populao de onde a amostra foi retirada sem nenhum vis.
Para alcanar este objetivo deve-se usar frmulas estatsticas, conhecidas como
estimadores, que apresentem caractersticas estatsticas desejveis, tais como no1
Cap 1 Testes de Hipteses

____________________________________________________________________
tendenciosidade, varincia mnima, fornecer estimativas que se aproximem do valor
paramtrico medida que o tamanho da amostra aumenta, e etc..
, que usada para
Exemplos de estimadores so a mdia aritmtica amostral, m
2
estimar a mdia populacional; e a varincia amostral, s , que usada para estimar a
varincia populacional. Outras simbologias comuns para a mdia amostral so e X , e
para a varincia amostral so 2 e V( X) .
Observe que algumas vezes a simbologia usada para representar os parmetros e

seus respectivos estimadores muito parecida. Por exemplo, podemos representar a
, ou seja, a diferena entre o parmetro
mdia populacional por m e seu estimador por m
e o seu estimador o chapu que existe no smbolo usado para representar o estimador.
Isto parece ser uma diferena mnima, mas do ponto de vista estatstico, a diferena
conceitual entre parmetro e estimador enorme.
O parmetro sempre um valor constante, pois para a obteno do mesmo so
usados todos os elementos da populao. Por outro lado, o estimador representa uma
varivel aleatria, pois os seus valores mudam de amostra para amostra. Isto acontece
porque os elementos que pertencem a uma amostra geralmente no so os mesmos em
outras amostras. Conseqentemente, possvel estabelecer uma distribuio de
probabilidades para os valores de um estimador. Para o parmetro, isto no possvel,
pois se assume que ele tem um valor constante. Por isto recomenda-se muito cuidado
para usar corretamente a simbologia para o parmetro e paro o estimador.
Conforme mencionado anteriormente, os estimadores podem assumir valores
diferentes em amostras diferentes. Estes diferentes valores que um estimador assume
so tambm conhecidos como estimativas.
1.2.3 Hipteses em um teste estatstico

Para realizar um teste de hipteses e divulgar as concluses necessrio seguir
um procedimento aceito pela comunidade cientfica. Neste procedimento, o pesquisador
deve deixar claro qual a hiptese que ele deseja testar. Para isto ele precisa escrever em
termos estatsticos a sua hipteses cientifica. A hiptese cientfica do pesquisador, nada
mais o que o levou a realizar a sua investigao.
Por exemplo, suponha que um tecnlogo em laticineos deseja verificar se os
sabores de sorvete morango e chocolate apresentam um mesmo valor para o teor mdio
de glicose. Em termos estatsticos esta hiptese expressa por
m morango = m chocolate
Em que:
mmorango : mdia do teor de glicose do sorvete sabor morango; e
mchocolate : mdia do teor de glicose do sorvete sabor chocolate.
O pesquisador deseja testar esta hiptese porque ele desconfia que o teor mdio
de glicose no seja o mesmo para os dois sabores de sorvete. Ento ele tem que ter uma
alternativa para esta hiptese inicial. Nesta alternativa, ele lana a sua desconfiana a
respeito do que pode acontecer. Se ele desconfiar que o sabor de morango tem um teor
mdio de glicose maior do que o de chocolate, ento a hiptese alternativa expressa por
m morango > m chocolate
Por outro lado, se ele desconfiar que o sabor de chocolate tem um teor de glicose
maior do que o de morango, ento a hiptese alternativa expressa por
m morango < m chocolate

________________________________________________________________
Uma outra alternativa seria a situao em que ele no tem nenhuma desconfiana
de qual sabor teria um teor mdio de glicose maior do que o outro. Neste caso, a hiptese
alternativa expressa por
m morango m chocolate
Neste ponto fica claro que para realizar um teste de hipteses necessrio que o
pesquisador lance duas hipteses. A primeira que contm um sinal de igualdade
conhecida como hiptese de nulidade, comumente denotada por Ho. dado este nome,
pois ela representa uma nulidade de diferena entre mdias. J a outra hiptese que
contm um sinal de desigualdade, conhecida como hiptese alternativa, comumente
designada por Ha ou H1. Como o prprio nome diz, ela uma alternativa a hiptese de
nulidade. Na verdade, quando um pesquisador realiza um experimento, a hiptese de
nulidade construda com o expresso propsito de ser rejeitada. Isto faz sentido porque,
quem teria o trabalho de realizar um experimento se achasse que duas mdias so
iguais? Qualquer um se daria ao trabalho de instalar um experimento, apenas se
desconfiar que existe diferena significativa entre as mdias de duas populaes. No
entanto, num teste de hipteses, at que se prove o contrrio, a Ho considerada como a
hiptese verdadeira.
Para o exemplo dado, supondo que o pesquisador no desconfie a princpio qual
sabor que apresenta maior teor mdio de glicose, o par de hipteses a ser lanado
expresso por
H0 : m morango = m chocolate
Ha : m morango m chocolate
Observe que apesar de ser possvel existir trs possibilidades para Ha, apenas
uma possibilidade foi lanada. Outro ponto importante que as hipteses foram lanadas
em termos dos parmetros e no em termos dos seus estimadores. No faz sentido
lanar as hipteses usando os estimadores, pois os mesmos no possuem um valor fixo,
ou seja, apresentam valores diferentes para amostras diferentes, enquanto que o
parmetro possui um valor fixo.
1.2.4 Deciso em um teste de hipteses

Para decidirmos se devemos ou no devemos rejeitar a hiptese de nulidade,
baseamos na comparao do valor especificado para o parmetro com aquele estimado a
partir de uma amostra da populao. Raramente, o valor estimado ser idntico quele
especificado para o parmetro.
Conforme mencionado anteriormente, um estimador pode assumir valores
diferentes para amostras diferentes, sendo que existem intervalos de valores mais
provveis de ocorrer do que outros. Portanto pode-se construir uma distribuio de
probabilidades para os valores de um estimador.
O valor fornecido pelos estimadores poder diferir, do ponto de vista matemtico,
do valor esperado para o parmetro. Esta diferena matemtica nem sempre representa
que a hiptese de nulidade deve ser rejeitada, pois como o estimador uma varivel
aleatria, esperado que ele possa assumir valores dentro de um intervalo. O que um
teste de hipteses geralmente faz comparar duas fontes de variao. A primeira fonte
de variao diz respeito a variao entre o valor paramtrico e uma estimativa. A segunda
fonte de variao diz respeito a variao existente na populao.
Se as duas fontes de variao apresentarem valores semelhantes ento o valor do
parmetro no difere do valor especificado na hiptese de nulidade. Neste caso, a
variao observada entre o valor paramtrico e sua estimativa uma variao prpria dos
dados. Conclui-se portanto que a hiptese H0 no deve ser rejeitada.
3

____________________________________________________________________
Por outro lado, se as duas fontes de variao apresentarem valores bem
diferentes, conclui-se que a variao entre o valor especificado para o parmetro e o de
sua estimativa no prpria dos dados. Neste caso a variao entre o valor paramtrico
e a estimativa significativa, o que leva a rejeitar-se a hiptese de nulidade.
Para ento decidirmos entre rejeitar ou no-rejeitar a hiptese de nulidade
devemos estabelecer o que uma pequena e uma grande variao. Para isto,
precisamos conhecer a distribuio de probabilidades do estimador usado para estimar o
parmetro. Vamos ilustrar esta situao com o seguinte exemplo.
Suponha que um pesquisador desconfie que a estatura mdia de adolescentes na
faixa etria de 13 a 15 anos menor do que aquela informada por um rgo oficial como
sendo igual a 1,5 metros. Este pesquisador sabe de fontes seguras que a estatura uma
varivel aleatria que segue uma distribuio normal com varincia igual a 0,25 metros2.
Se a informao do rgo oficial for verdadeira, ou seja a mdia de estatura igual a 1,50
metros, poderamos descrever a distribuio de valores da varivel estatura, digamos X,
como X ~ N(1,5 ; 0,25) e representar esta distribuio por meio do grfico
f ( X)
1. 1
1. 0
0. 9
0. 8
0. 7
0. 6
0. 5
0. 4
0. 3
0. 2
0. 1
0. 0
0. 0
0. 5
1. 0
2. 0
m
=1. 5
2. 5
3. 0
Var i avel : X
A funo densidade de probabilidade de uma varivel aleatria contnua que tem

distribuio normal, no caso, f(X) dada por:
f ( X) =
1
2
1 x m

Para verificar se a informao do rgo oficial correta, o pesquisador tem duas

opes: medir a estatura da populao de todos os adolescentes, ou ento tomar uma
amostra de adolescentes e medir a estatura dos mesmos e usar um teste de hipteses.
Na primeira opo nenhum teste de hipteses seria necessrio, pois o pesquisador teria
condies de conhecer o verdadeiro valor da mdia de estatura, ou seja, ele conheceria o
parmetro mdia daquela populao de adolecentes. Na segunda opo, o pesquisador
teria que usar uma mdia da amostra para tomar a sua deciso.

________________________________________________________________
evidente que a segunda opo operacionalmente mais fcil, pois o custo e o
tempo gasto so muito menores. Para realizar a segunda opo, o pesquisador deve
escolher um tamanho de amostra adequado, por exemplo, suponha que para este
exemplo o tamanho amostral ideal seja igual a 10 indivduos. Da populao de
adolecentes possvel retirar um grande nmero de diferentes amostras de tamanho 10.
Cada amostra fornece um valor para a mdia amostral. Pode ser demonstrado que
a mdia de todas as mdias amostrais igual mdia da varivel original, a varincia
igual varincia original dividido pelo tamanho da amostra e que a varivel aleatria m
~ N(1,5 ; 0,025 ) . O grfico da distribuio
tambm segue distribuio normal, ou seja, m
das mdias amostrais seria
f ( Xb)
1. 1
1. 0
0. 9
0. 8
0. 7
0. 6
0. 5
0. 4
0. 3
0. 2
0. 1
0. 0
0. 0
0. 5
1. 0
m
=1. 5
2. 0
2. 5
3. 0
Var i avel : Xb
e f(Xb) = f( m
).
em que Xb = m
Como pode ser notado, a distribuio das mdias amostrais para a varivel
estatura, representadas no grfico por Xb, mais concentrada em torno da mdia do que
a varivel original X. Isto acontece porque a varincia das mdias amostrais menor do
que a varincia da varivel original estatura.
Deve ficar entendido que possvel retirar um nmero muito grande de amostras
de mesmo tamanho de uma populao, principalmente se a populao for muito grande.
No entanto, numa pesquisa geralmente toma-se deciso usando-se apenas uma nica
amostra. As hipteses estatsticas para esta situao seriam:
H O : m altura = 1,5 metros
H a : m altura < 1,5 metros
Para se entender a lgica dos testes de hipteses, vamos supor diferentes
resultados possveis para a mdia amostral obtida a partir de uma amostra de 10
estudantes. Suponha inicialmente que o pesquisador, obtenha uma mdia amostral,
, igual a 1,49 metros. Neste caso, a variao entre o valor observado igual a
digamos m
1,49 e o valor suposto igual a 1,50 muito pequena. Poder-se-ia atribuir esta variao ao
5

____________________________________________________________________
acaso, ou seja, esta variao uma variao prpria de uma populao que apresente
mdia igual a 1,5 metros. Em termos probabilsticos poderamos dizer que existe uma
grande probabilidade de numa populao com mdia igual a 1,50 metros existir grupos de
10 indivduos que apresentem uma mdia de estatura igual ou inferior a 1,49 metros.
Justificativa semelhante poderia ser atribuda a mdias amostrais que tivessem valores
prximos ao valor suposto, tais como: 1,48; 1,47; 1,42; etc.
Por outro lado, se a mdia amostral apresentar um valor muito distante do valor
suposto, como por exemplo, 0,60 metros, o pesquisador tem a tendncia de rejeitar a
hiptese de nulidade, isto porque h um forte indcio de que a amostra foi retirada de uma
populao que apresenta uma mdia menor do que a suposta de 1,5 metros. Em termos
probabilsticos poderia se dizer que a probabilidade de encontrar um grupo de indivduos
com mdia igual ou inferior a 0,60 metros muito pequena, em uma populao que
apresenta uma mdia igual a 1,5 metros. Veja na figura a seguir
f ( Xb)
1. 1
1. 0
0. 9
0. 8
0. 7
0. 6
0. 5
0. 4
0. 3
0. 2
0. 1
0. 0
0. 0
0. 60
1. 0
1. 5
2. 0
2. 5
3. 0
Var i avel : Xb
A funo densidade de probabilidade da mdia amostral de uma varivel aleatria

que tem distribuio normal, no caso, f(Xb), dada por:
f ( Xb) =
1 x m
e
2
n
A rea sob a curva abaixo do valor 0,60 m, indica a probabilidade de se encontrar
um valor igual ou inferior a 0,60 metros em uma populao com mdia igual a 1,5 metros.
Como pode ser notado, esta probabilidade pequena em relao rea total do grfico.
Com base neste raciocnio que o pesquisador estabelece um valor crtico que o ajuda a
decidir sobre rejeitar ou no-rejeitar a hiptese de nulidade. Este valor crtico pode a
princpio ser estabelecido de duas maneiras. A primeira delas seria a situao em que o
pesquisador de posse de seu conhecimento prvio no assunto estabeleceria um valor
crtico antes de coletar a amostra. Este valor crtico seria um valor para a mdia amostral
tal que acima dele o pesquisador no-rejeitaria a hiptese de nulidade e abaixo dele
rejeitaria a hiptese de nulidade. Digamos que neste caso o valor crtico adotado fosse
igual a 1,0 metro. O valor para a mdia igual a 1,0 metro determinaria duas regies na

________________________________________________________________
distribuio das mdias amostrais, conforme apresentado na figura a seguir. Estas duas
regies so denominadas como Regio de No-Rejeio da Hiptese de Nulidade
(RNRHo) e Regio de Rejeio da Hiptese de Nulidade (RRHo) . Como os respectivos
nomes indicam, se o valor da mdia amostral estiver contido na RNRHo, o pesquisador
no deve rejeitar a hiptese de nulidade. Caso contrrio, se o valor da mdia amostral
estiver contido na RRHo, o pesquisador deve rejeitar a hiptese de nulidade e considerar
a hiptese alternativa como sendo a hiptese verdadeira.
f ( Xb)
1. 1
1. 0
0. 9
0. 8
0. 7
Regi o de
No Rej ei o da
Hi pt ese de Nul i dade
Regi o de
Rej ei o da
Hi pt ese de
Nul i dade
0. 6
0. 5
0. 4
er r o t i po I
ou er r o al f a
0. 3
0. 2
0. 1
0. 0
0. 0
0. 5
Xbc=1. 0
1. 5
2. 0
2. 5
3. 0
Var i avel : Xb
Deve-se observar que ao adotar o critrio acima, o pesquisador sempre estar

sujeito a cometer um de dois erros possveis. Um destes erros, conhecido como erro tipo I
ou erro alfa (), se refere probabilidade de rejeitar uma hiptese verdadeira, no caso a
hiptese de nulidade. Na figura citada anteriormente, o critrio adotado pelo pesquisador
foi que se a mdia amostral assumisse um valor menor que 1,0 metro, ento rejeitar-se-ia
a hiptese de nulidade. exatamente a adoo deste critrio que pode levar o
pesquisador a cometer um erro em sua tomada de deciso, pois como se pode observar
na figura, em uma populao que realmente apresenta mdia igual a 1,5 metros, existe
uma pequena percentagem de indivduos que podem apresentar uma altura mdia inferior
a 1,0 metro. No entanto, o pesquisador acaba assumindo que devido ao fato daquela
chance ser muito pequena, ele decide que se uma amostra de elementos apresentar
mdia menor que 1,0 metro, ela pertence a uma populao com mdia inferior
especificada de 1,5 metros, conforme mostrado na figura a seguir.

____________________________________________________________________
f ( Xb)
1. 1
1. 0
RRHo RNRHo
cur va par a
Ha
cur va par a
Ho
0. 9
0. 8
0. 7
0. 6
0. 5
0. 4
0. 3
er r o bet a
er r o al f a
0. 2
0. 1
0. 0
0. 0
m
<1. 5 1. 0
m
=1. 5
2. 0
2. 5
3. 0
Var i avel : Xb
m
edi a
m
<1. 5
1. 5
Nesta figura, pode-se observar duas curvas: a da esquerda quando se assume que
a populao tem uma mdia inferior a especificada, isto a curva para a hiptese
alternativa (Ha) com m < 1,5 metros; e a curva da direita para a situao em que a
populao apresenta mdia igual especificada, ou seja, curva para a hiptese de
nulidade (Ho) com mdia m = 1,5 metros. Quando o pesquisador toma a deciso de
rejeitar a Ho, ele na verdade acaba por concluir que a populao de onde foi retirada a
amostra pertence aquela populao com mdia m < 1,5 metros. Observe, valores nesta
regio podem levar a duas concluses que a rigor ambas estariam corretas, mas a
probabilidade de encontrar indivduos com mdia inferior ou igual ao valor crtico, no caso
1,0 metro, bem maior numa populao com m < 1,5 metros do que numa populao
com mdia m = 1,5 metros. esta diferena nas probabilidades que leva o pesquisador a
rejeitar Ho ao invs de no rejeit-la.
Conforme mencionado anteriormente, a rea sob a curva da hiptese Ho que leva
a sua rejeio se refere probabilidade de se rejeitar Ho quando Ho verdadeira. Isto foi
definido anteriormente como erro alfa. Um raciocnio lgico que se tem tentar fazer este
erro ser o menor possvel. No entanto, em todo teste de hipteses existe tambm um
outro erro, conhecido como erro tipo II ou erro beta (), o qual aumenta o seu valor
medida que se diminui o erro alfa. Este erro se refere probabilidade no-rejeitar a
hiptese Ho quando Ho falsa (ver figura anterior). No exemplo que estamos
trabalhando, este erro beta ser tanto maior, quanto menor for o valor crtico. Se por
exemplo, fizermos que o valor crtico para a mdia amostral seja igual a 0,9 m, ento a
nova proporo entre os erros alfa e beta seria conforme figura a seguir.

________________________________________________________________
f ( Xb)
1. 1
1. 0
RRHo
RNRHo
cur va Ha
cur va Ho
0. 9
er r o
bet a
0. 8
0. 7
0. 6
0. 5
0. 4
er r o
al f a
0. 3
0. 2
0. 1
0. 0
0. 0
0. 5
Xbc=0. 9
1. 5
2. 0
2. 5
3. 0
Var i avel : Xb
m
edi a
0. 8
1. 5
Ns acabamos de ver a maneira emprica de realizar um teste de hiptese, a qual

se baseia no fato do pesquisador estabelecer o valor crtico de rejeio da hiptese Ho
com base em seu prvio conhecimento do problema. Este procedimento, embora seu
forte apelo prtico, traz a desvantagem de no poder estabelecer a princpio qual seria a
probabilidade de se cometer o erro tipo I, ou seja, a que nvel de significncia que o teste
de hipteses ser realizado. de consenso que se publique, que nos trabalhos
cientficos, a que nvel de significncia um teste de hipteses foi realizado. Desta forma,
possvel comparar os resultados e concluses de diferentes trabalhos de pesquisa, pois
existe uma tendncia que, para determinada rea do conhecimento, o nvel de
significncia esteja dentro de uma faixa de valores aceito pela maioria dos pesquisadores.
A determinao do nvel de significncia quando se usa o mtodo emprico possvel,
embora computacionalmente no seja uma tarefa fcil, pois envolve a integrao de
funes complexas tais como exponenciais, gama, beta, e etc. . Devido a todas estas
razes, o mtodo no-emprico o mais usado.
O procedimento para um teste de hipteses usando o mtodo no-emprico
similar ao mtodo emprico. A diferena est basicamente que no mtodo no-emprico, o
valor crtico conhecido a partir do nvel de significncia estabelecido e o uso de tabelas
estatsticas. Existe uma tabela estatstica apropriada para cada tipo de teste de hipteses.
Estas tabelas fornecem valores crticos que delimitam regies de rejeio e de norejeio de Ho. O valor obtido de uma ou mais amostras retirada da(s) populao(es)
ento usado para calcular o valor de uma estatstica que tem distribuio de
probabilidades idntica quela usada para identificar o valor tabelado. A comparao dos
valores calculado e tabelado permite ao pesquisador decidir entre rejeitar ou no-rejeitar
Ho.
Os prximos itens deste captulo iro tratar sobre alguns testes de hipteses que
usam este mtodo no-emprico.

____________________________________________________________________
1.3. Alguns testes de hipteses

1.3.1 Teste t de Student - Teste para pequenas amostras
A aplicao do teste t indicada quando o tamanho amostral igual ou inferior a 30
elementos. Para amostras com tamanho superior a 30, recomenda-se o teste Z. O uso do
teste t pressupe que a caracterstica em anlise normalmente distribuda com varincia
populacional desconhecida.
O teste t tem trs aplicaes principais: teste para uma mdia populacional, teste para
duas mdias populacionais e teste para mais que duas mdias populacionais. As duas
primeiras aplicaes vo ser apresentadas neste captulo. A terceira aplicao ser
apresentada no Captulo 5.
1.3.1.1 Teste de hipteses para uma mdia populacional

Este teste usado para verificar se a mdia de uma caracterstica de uma
populao assume um valor especificado, digamos mo. Para aplicao deste teste
devemos selecionar uma amostra aleatria de tamanho n da populao. Digamos que os
elementos amostrais sejam; X 1, X 2 ,..., X n . Com base nestes elementos amostrais,
, e seu desvio padro, s. Estas estatsticas so ento
calculamos a sua mdia, m
utilizadas para calcular o valor de t usando a expresso
m0
m
t=
s
n
Esta estatstica t, tem distribuio t de Student com n-1 graus de liberdade, ou seja,
uma distribuio de probabilidades que depende do nmero de graus de liberdade
associado. A figura a seguir, ilustra a distribuio t para trs valores diferentes no nmero
de graus de liberdade.
f (t )
0. 5
0. 4
0. 3
0. 2
0. 1
0. 0
- 3. 5
- 2. 5
- 1. 5
- 0. 5
0. 5
1. 5
2. 5
3. 5
Var i avel : t
n
30
10

________________________________________________________________
As hipteses num teste t, para uma mdia populacional, so do seguinte tipo
H0:
Ha:
Ha:
Ha:
m = m0
m > m0
m < m0
m m0
versus
ou
ou
Para decidirmos entre Rejeitar ou No-Rejeitar HO, comparamos o valor de t com o

valor tabelado de t obtido por t tab = t (n 1) . A tabela apresentada no final deste livro
uma tabela elaborada para testes bilaterais. Neste caso, para encontrarmos o valor
tabelado basta entrar com o valor de e o respectivo nmero de graus de liberdade. Por
outro lado, se desejarmos realizar um teste unilateral e usarmos uma tabela bilateral,
devemos entrar na tabela com 2 como nvel de significncia. Este procedimento garante
que realizaremos o teste ao nvel de significncia como desejado para testes
unilaterais.
Depois de obtido o valor calculado e o valor tabelado de t, usamos a seguinte regra
decisria:
- se t t tab ento Rejeita-se Ho
-
se
t < t tab ento No-Rejeita-se HO.
Exerccios
1.1. Em indivduos sadios, o consumo renal de oxignio distribui-se normalmente em
torno de 12 cm3/min. Deseja-se investigar, com base em cinco indivduos portadores de
certa molstia, se esta tem influncia no consumo renal mdio de oxignio. Os consumos
medidos para os cincos pacientes foram:
14,4
12,9
15,0
13,7
13,5
Qual a concluso ao nvel de 1% de significncia?

1.2. Uma amostra de seis elementos, extrada de uma populao normal, forneceu
6
X i = 84,0
i =1
(X
6
i =1
) = 55,0
m
2
Deseja-se saber se a mdia da populao pode ser considerada como superior a

11. Qual a concluso, ao nvel de 5% de significncia?
1.3.1.2 Teste de hipteses para duas mdias populacionais

O objetivo deste teste verificar se duas populaes, digamos populao 1 e
populao 2 apresentam um mesmo valor mdio para uma determinada caracterstica,
isto deseja-se verificar se m 1 = m 2 . Com esta finalidade necessrio obter uma
amostra de cada populao. Estas duas amostras podem ser relacionadas ou no, ou
seja, podem ser dependentes ou independentes uma da outra. Esta distino no
relacionamento das duas amostras gera dois testes distintos.
1.3.1.2.1 Teste de hipteses para o caso de duas amostras independentes
Duas amostras so ditas serem independentes quando no existe nada que as
relacione. Nesta situao, os valores amostrais foram obtidos em conjuntos amostrais
distintos, ou seja, os elementos amostrais que originaram os valores de uma amostra so
distintos dos elementos amostrais que originaram a segunda amostra.
11

____________________________________________________________________
Conforme mencionado anteriormente, para comparar as mdias das duas
populaes, toma-se uma amostra de cada populao. Suponha que as amostras
geradas sejam X11, X12,... , X1n e X21, X22, ... , X2m, onde o tamanho das amostras podem
ser diferentes, ou seja, n pode ser diferente de m. Para cada amostra, ento calcula-se a
sua mdia e varincia. Um estimador comum para a varincia obtido tomando-se uma
mdia ponderada das estimativas de varincia obtidas para as duas amostras. O tamanho
da amostra utilizado como um peso para o clculo desta varincia mdia ponderada. A
obteno de um estimador comum para a varincia pressupe que a varincia das duas
populaes sejam idnticas, ou seja 12 = 22 . A frmula do estimador comum :
s =
2
c
2
1
(n1 1)s12 + (n 2 1)s 22

n1 + n 2 2
2
2
em que s e s so as varincias amostrais das populaes 1 e 2, respectivamente. A

frmula geral para o clculo da varincia amostral dada por
n
X i
n
i=1
X i2
n
s 2 = i=1
n 1
Uma vez obtidas estas estimativas, calcula-se o valor da estatstica t dada por:
m
(m1 m 2 )
m
2
t= 1
1
1
s c2 +
n1 n 2
Esta estatstica tem distribuio t de Student com (n1 + n 2 2) graus de liberdade.

A comparao do valor calculado de t com o valor tabelado dado por t tab = t (n1 + n 2 2) ,
usada para testar a hiptese de nulidade
versus
H0: m1 = m2
Ha: m1 > m2 ou
Ha: m1 < m2 ou
Ha: m1 m2
A regra de deciso idntica ao caso anterior, ou seja:
- se | t | ttab Rejeita-se Ho
- se | t | ttab No-Rejeita-se HO.
Exerccio
1.3. Os dados que seguem referem-se a cinco determinaes da resistncia de dois tipos
de concreto. Ao nvel de 5% de significncia, h evidncia de que o concreto 1 seja mais
resistente que o concreto 2?
Concreto 1
Concreto 2
54
50
55
54
58
56
51
52
57
53
1.3.1.2.2 Teste de hipteses para o caso de duas amostras dependentes

Duas amostras de elementos so ditas serem dependentes quando existe algo
que as relacione. Por exemplo, se os valores de duas amostras foram obtidos de um
mesmo conjunto de elementos amostrais, podemos dizer que as duas amostras de
12

________________________________________________________________
valores so dependentes uma vez que foram tomados de um conjunto de elementos
amostrais comum.
O objetivo neste caso verificar se houve alterao na mdia de uma populao
quando a mesma avaliada sob duas condies diferentes. Cada condio representa
uma populao distinta, embora se suponha que os elementos populacionais sejam os
mesmos nas duas condies. Para verificar se houve alterao na mdia, avalia-se uma
caracterstica de interesse do pesquisador num conjunto de elementos amostrais tomados
ao acaso na populao quando a mesma esteja sob a condio 1. Digamos que a
avaliao da caracterstica resulte nos seguintes valores amostrais X11, X12,... , X1n.
Depois de feita esta avaliao, os elementos amostrais que originaram a primeira
amostra, sejam submetidos condio 2. Os mesmos elementos amostrais so
novamente avaliados para a mesma caracterstica na nova condio 2. Digamos que esta
nova avaliao resulte nos seguintes valores amostrais X21, X22, ... , X2n. Se a condio 2
no tiver nenhum efeito, espera-se que em mdia os valores observados nas duas
condies sejam iguais.
Em termos de desvios, se a alterao das condies no resultasse em nenhum
efeito significativo, poderamos dizer que a diferena entre os valores observados na
primeira condio e na segunda condio seria em mdia igual a zero. Portanto para
verificar se houve alterao na mdia de uma populao avaliada em duas condies
diferentes, pode-se testar a hiptese de que o desvio mdio ser estatisticamente igual a
zero. Portanto, a partir de duas amostras obtm-se uma outra baseada nos desvios,
conforme mostrado a seguir.
Elemento amostral i
Amostra 1
Amostra 2
di=X1i-X2i
1
X11
X21
d1
2
X11
X22
d2
...
...
...
...
n
X1n
X2n
dn
Apresentado desta forma, o teste t para duas amostras dependentes reduz-se teste
t para uma mdia populacional, visto anteriormente. No presente caso, deseja-se testar
se a mdia dos desvios igual por exemplo a um valor m0. Escrevendo em termos de
hipteses estatsticas teramos
H0:
Ha:
Ha:
Ha:
m = m0
m > m0
m < m0
m m0
versus
ou
ou
Para decidir entre Rejeitar ou No-Rejeitar a hiptese de nulidade, deve-se calcular

o valor da estatstica t dada por
m0
m
t=
s2
n
em que
n
=
m
d
i=1
13

____________________________________________________________________
2
n
di
n
i=1
2
di
n
s 2 = i=1
n 1
Sob Ho, esta estatstica t tem distribuio t de Student com n-1 graus de liberdade.
A comparao deste valor calculado com o valor de ttab dado por t tab = t (n 1) .
Depois de obtido os valores calculado e tabelado de t, usamos a seguinte regra
decisria:
- se t t tab ento Rejeita-se Ho
-
se t < t tab ento No-Rejeita-se HO.
Exerccios
1.4. Com o objetivo de avaliar se determinado produto qumico eficiente para repelir
insetos domsticos, foi realizada uma contagem do nmero de insetos, antes e aps a
aplicao deste produto qumico, em 7 residncias. O nmero de insetos observado em
cada residncia foi
Residnca
1 2 3 4 5 6 7
Antes da aplicao
8 6 7 8 9 6 7
Aps a aplicao
4 0 3 5 3 4 2
Por meio destes dados e ao nvel de 5% de probabilidade, possvel concluir, em
termos mdios, que o produto utilizado eficiente para repelir insetos?
1.5. Com a finalidade de testar se determinado mtodo de secagem rpida consegue
reduzir significativamente a quantidade mdia de gua de gros de cereais, uma poro
de cada um dos seguintes tipos de cereais: Milho, Cevada, Trigo, Arroz e Sorgo, foi
exposta ao referido mtodo de secagem. Os resultados obtidos, para o peso da poro
(em g) amostrada por cereal, com a realizao do experimento foram:
Sem a secagem
Com a secagem
Milho
30
21
Cevada
34
28
Trigo
41
33
Arroz
25
21
Sorgo
36
31
possvel concluir ao nvel de 5% de significncia que o mtodo de secagem

proposto, eficiente para secar os gros?
1.3.2 Teste F para Comparao de Varincias de Duas Populaes

Este teste indicado para verificar se duas populaes, digamos 1 e 2, apresentam
igual valor para o parmetro varincia. Em termos de hipteses estatsticas teramos:
H0:
12 = versus
22
Ha: 12 > 22 ou
Ha: 12 < 22 ou
Ha: 12 22
A estatstica F usada para decidir entre Rejeitar ou No-Rejeitar Ho dada pelo
quociente entre as duas estimativas de varincia, ou seja:
14

________________________________________________________________
s 21
s 22
Sob a hiptese de nulidade, este quociente tem distribuio F, de Fisher-Snedecor,
com n 1 e n 2 graus de liberdade, ou seja a distribuio de probabilidades da estatstica
F depende dos nmeros de graus de liberdade n1 e n2. Um grfico para a distribuio F,
para trs diferentes pares de graus de liberdade ilustrado na figura a seguir.
F=
A concluso do teste feita mediante a comparao do valor de F com o valor de

Ftab= F = (n1 , n 2 ) .
Se F Ftab Rejeita-se H0 ao nvel de probabilidade. Caso contrrio NoRejeita-se HO
Exerccios
1.6. Com o intuito de controlar a homogeneidade da produo de certas partes ao longo
do tempo, amostras semanais so retiradas da produo corrente. Uma primeira amostra,
de dez elementos, forneceu mdia 284,55 e desvio padro 0,320, ao passo que, numa
segunda amostra, forneceu, nas mesmas unidades, os seguintes valores:
284,6
283,9
284,8
285,2
284,3
283,7
284,0
Ao nvel de 5% de significncia, podemos concluir que a semana 2 apresentou

maior variabilidade que a semana 1?
1.7. A qualidade de rebites tanto melhor quanto maior sua homogeneidade. Seis rebites
de duas marcas foram ensaiados ao cisalhamento, tendo-se obtido as seguintes cargas
de ruptura:
15

____________________________________________________________________
Rebite
1
2
3
4
5
6
Marca A
34,9
35,5
38,8
39,2
33,7
37,6
Marca B
38,5
39,0
40,7
42,9
37,8
41,4
Estes resultados ratificam a afirmao do produtor da marca B, de que seus rebites
so melhores? Use o nvel de 5% de significncia.
1.4. Exerccios Suplementares

1.8. Uma fbrica de cermica produz um tipo de pea usando o processo A de fabricao.
Com o objetivo de melhorar a mdia de resistncia das peas, quando submetidas a
determinado grau de temperatura, o processo B foi introduzido. Com os dados amostrais
abaixo, relativos temperatura de rompimento das peas, testar a hiptese H o e concluir
para = 5%.
PROCESSO A
PROCESSO B
90,3
101,4
93,4
98,5
96,8
104,6
91,4
95,8
92,6
96,2
102,5
94,6
103,4
99,5
1.9. Um material isolante foi utilizado com a finalidade de reduzir a temperatura mdia
interna em ambientes similares. Para testar a hiptese H o , 10 ambientes foram
selecionados ao acaso e expostos a uma determinada fonte de radiao de calor. Testar
a hiptese H o e concluir para = 5%. Os dados obtidos (em C) so fornecidos abaixo.
AMBIENTE
s/isolante
c/isolante
1
30,5
28,2
2
35,3
35,1
3
33,2
33,2
4
40,8
35,6
5
42,3
40,2
6
41,5
37,4
7
36,3
34,2
8
43,2
42,1
9
34,6
30,5
10
38,5
38,4
1.10. Dois processos que tm por objetivo o controle da temperatura mdia interna em
ambientes foram colocados em competio. Para testar a H o , 20 ambientes foram
convenientemente preparados. Testar e concluir para = 5% , considerando os dados
abaixo.
PROCESSO
s/isolamento
c/isolamento
30,5
28,2
35,3
35,1
33,2
33,2
40,8
35,6
Temperatura C
42,3 41,5 36,3
40,2 37,4 34,2
43,2
42,1
34,6
30,5
38,5
38,4
1.11. Um produto foi desenvolvido com o objetivo de reduzir a mdia da temperatura do

funcionamento de motores. Para testar o produto, foram selecionados ao acaso 8 motores
e aps 10 minutos de funcionamento, em cada condio, foram obtidos os dados (em C)
do quadro abaixo. Testar a hiptese H o e concluir, para = 5% .
MOTOR
SEM PRODUTO
COM PRODUTO
1
80,5
75,8
2
99,6
98,8
3
83,4
77,6
4
100,2
99,9
5
81,5
74,2
6
84,6
80,5
7
85,0
83,6
8
105,8
105,8
1.12. Um experimentador deseja testar o efeito de certo fertilizante na mdia de produo

de milho. Para realizar o experimento tinha-se 12 unidades experimentais de reas iguais,
onde 7 receberam o fertilizante e as outras no; sendo as outras condies mantidas
iguais. As produes em kg/unidade experimental foram as seguintes:
16

________________________________________________________________
Com Fertilizante
Sem Fertilizante
25
35
35
25
45
20
30
15
20
30
25
30
De posse dos dados acima, pode o experimentador concluir que houve aumento da
mdia de produo de milho por causa do fertilizante, com nvel de significncia igual a
5%.
1.13. Desejando comparar os efeitos de dois analgsicos A e B, em termos do tempo
mdio de ao sobre pacientes com certa doena (bastante prolongada), ambos foram
aplicados a 14 doentes, em dias diferentes, sendo que 7 pacientes receberam primeiro o
A, e outros 7 primeiro o B. A situao foi controlada de forma a no haver interferncia do
efeito de um sobre o outro. 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 hiptese de diferena nula entre as mdias populacionais, ao nvel de

significncia igual a 1%.
1.14. Os dados abaixo se referem aos pesos, em gramas, de ratos machos da raa
Wistar com 15 dias de idade, segundo a condio normal e submetidos extirpao do
timo (timectomizao) aos 4 dias de idade. Verificar se a timectomizao piora o ganho
mdio de peso destes animais, usando = 5% .
Condio Normal
Timectomizado
40,3
18,6
40,0
20,3
39,6
23,6
35,2
22,2
32,0
20,9
1.15. Em determinada propriedade rural, foi avaliado o efeito de Suprimento Mineral (SM)
na engorda de sunos. Para tanto, tomou-se 14 sunos similares em peso. Cada animal
recebeu um dos SM. Os resultados obtidos, aps certo perodo de tempo, foram os
seguintes:
SM 1
SM 2
38
40
Pesos (Kg)
36
35
31
37
33
30
36
38
32
32
30
37
possvel afirmar ao nvel de 1% de probabilidade que o SM 1 promove menor

mdia de ganho de peso que o SM 2?
1.16. Determinada fbrica, interessada em ampliar o seu quadro de pessoal com

indivduos do sexo que apresentam menor variabilidade no tempo gasto para realizar a
montagem de determinado equipamento eletrnico, realizou uma pesquisa. Os dados (em
minutos) obtidos so fornecidos abaixo. Ao nvel de 1% de probabilidade, pode-se
concluir que indivduos 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

____________________________________________________________________
1.17. Um fazendeiro, visando otimizar os recursos de sua propriedade e aumentar a
mdia de produo de leite, realizou uma pesquisa para verificar se o fornecimento da
cama de galinha da sua granja poderia substituir, em parte, o fornecimento de rao ao
seu gado. Para tanto, seguindo as recomendaes de um zootecnista, selecionou um
plantel de 10 animais e obteve os seguintes dados, em kg de leite por dia:
Rao com cama
Rao sem cama
45
38
47
37
49
35
48
39
46
37
De acordo com os resultados obtidos e ao nvel de 5% de probabilidade, voc

recomendaria o uso de cama de galinha para substituir parte a rao?
1.18. Por meio dos dados amostrais fornecidos abaixo, possvel concluir que a mdia
salarial de determinada empresa inferior a R$ 950,00? (use o nvel de 1% de
significncia)
Mdia
N de indivduos
avaliados
Varincia
945
15
25
1.19. Dentre um rebanho de vacas reprodutoras, foram selecionadas ao acaso 10

animais. Dos animais selecionados, foram anotadas as produes mdias dirias (kg/dia)
durante o perodo de amamentao das crias 1 e 2. Pode-se afirmar que durante a
amamentao da 2a cria ocorre maior produo de leite? Use = 5%
Cria
1
2
15,6
18,3
16,3
16,3
Produo de cada animal (Kg de leite/dia)

19,5 14,5 16,2 20,2 14,6 13,1
17,2 19,8 18,5 19,1 18,3 16,5
16,2
19,5
17,1
19,8
1.20. Dois novos tipos de embalagens (A e B) foram testados para armazenar extrato de
tomate. Uma boa embalagem mantm o pH do extrato de tomate em 7,2 at trs meses
aps a sua armazenagem. Para comparar estes dois tipos de embalagens, 10
embalagens de cada um dos dois tipos testados, receberam a mesma quantidade de
extrato de tomate e foram avaliados quanto ao seu pH trs meses aps a sua
armazenagem. Os resultados das avaliaes so apresentados a seguir
Embalagem A
Embalagem B
6,8
7,2
7,0
7,3
7,1
7,4
7,0
7,3
7,1
7,4
7,3
7,6
7,4
7,7
7,5
7,8
7,4
7,6
7,4
7,7
Admitindo-se que a variabilidade do pH em extratos armazenados nas embalagens

A e B a mesma, pede-se:
a. Pode-se concluir que existe diferena significativa entre as duas embalagens
com relao a mdia do pH do extrato de tomate trs meses aps a sua armazenagem?
Use o nvel de 5% de probabilidade.
b. Baseado nos seus clculos do item a, qual embalagem deveria ser
recomendada? Justifique.
18

________________________________________________________________
1.21. Em humanos relativamente comum o hipotiriodismo, a qual uma deficincia da
glndula tireide para produzir certos hormnios. Uma indstria farmacutica, visando
testar um novo tipo de droga, realizou uma pesquisa com 6 indivduos portadores desta
doena. Com tal finalidade, fez a avaliao da dosagem do hormnio H nos indivduos
portadores da doena antes e depois de serem medicados com a nova droga. Os
resultados desta pesquisa so fornecidos a seguir
Indivduo
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 capaz de aumentar a dosagem mdia do

hormnio H ao nvel de 5% de significncia?
1.22. Um fabricante de componentes eletrnicos elaborou um novo tipo de
microprocessador. No entanto, desejvel que este novo microprocessador tenha
velocidade mdia de processamento superior a 2,5 GHz. Para testar o novo
microprocessador, o fabricante retirou ao acaso, uma amostra de 6 unidades, da qual
obteve as seguintes informaes:
Processador
Velocidade (GHz)
1
3,0
2
2,0
3
3,7
4
4,1
5
1,9
6
3,8
Mdia da velocidade de processamento dos 6 processadores amostrados = 3,08

GHz
Desvio padro da velocidade de processamento dos 6 processadores amostrados
= 0,95 GHz
Com base nas informaes fornecidas, pergunta-se:
1.22.1 As hipteses estatsticas para este problema so
a. Ho : m = 2,5 GHz, Ha : m < 2,5 GHz
b. Ho : m = 2,5 GHz, Ha : m 2,5 GHz
c. Ho : m = 2,5 GHz, Ha : m > 2,5 GHz
= 2,5 GHz, Ha : m
< 2,5 GHz
d. Ho : m
= 2,5 GHz, Ha : m
2,5 GHz
e. Ho : m
f. Ho : m > 2,5 GHz, Ha : m = 2,5 GHz
g. nenhuma das anteriores
1.22.2 O valor da estatstica t calculada para este problema, ao nvel de 5% de
probabilidade, leva a concluso de que o novo microprocessador possui velocidade mdia
de processamento
a. superior a 2,5 GHz
b. inferior a 2,5 GHz
c. igual a 2,5 GHz
d. nenhuma das anteriores
1.22.3 O valor da velocidade mdia amostral a partir do qual a hiptese H0 rejeitada
igual a
= 1,72 GHz
a. m
= 1,50 GHz
b. m
19

____________________________________________________________________
= 3,28 GHz
c. m
= 3,50 GHz
d. m
e. nenhuma das anteriores
1.23. Selecionaram-se aleatoriamente oito comprimidos diferentes de cada um de dois

remdios antigripais concorrentes, Dozenol (D) e Niteze (N). Fez-se um teste do contedo
de acetaminofena em cada um deles, 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 nvel de 5% de significncia, teste a afirmao de que a quantidade mdia de

acetaminofena a mesma nas duas marcas.
1.24. Uma mquina foi regulada para fabricar placas de 5 mm de espessura, em mdia.
Iniciada a produo, foi colhida uma amostra de tamanho 10, que forneceu as seguintes
medidas de espessura, em mm:
5,1 4,8 5,0 4,7 4,8 5,0 4,5 4,9 4,8 5,2
Ao nvel = 0,01, pode-se aceitar a hiptese de que a regulagem da mquina foi
satisfatria?
1.25. Um banho de leo aquecido aos poucos e sua temperatura medida de meia em
meia-hora por dois termmetros. Tendo-se obtido os valores abaixo, h diferena entre as
indicaes dos dois termmetros, a = 5%?
Termmetro 1: 38,2 44,5 53,0 59,0 66,4 71,3
Termmetro 2: 37,5 44,2 51,6 58,0 66,8 72,4
1.26. Um aparelho utilizado para testar a durabilidade de lmpadas, o qual consta de
oito soquetes ligados em paralelo e de um reostato ligado em srie com um gerador. Oito
lmpadas da marca A e oito lmpadas da marca B foram ensaiadas nesse aparelho, sob
as mesmas condies, fornecendo as seguintes duraes, 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 afirmao do fabricante da marca A, de que suas
lmpadas tm maior mdia de durabilidade que as da marca B ( = 1%).
1.27. Dois produtos A e B, foram avaliados quanto ao gosto, de acordo com as notas
fornecidas por 10 indivduos. Admitindo-se os valores 1 (pssimo), 2 (ruim), 3 (regular), 4
(bom) e 5 (timo) e um nvel de significncia de 5%, qual o melhor produto em termos da
mdia da nota recebida?
Indivduo:
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

________________________________________________________________
1.28. Dois candidatos a um emprego, A e B, foram submetidos a um conjunto de oito
questes, sendo anotados os minutos que cada um gastou na soluo. Podemos, ao nvel
de 5% de significncia, concluir que B seja mais rpido que A?
Questo
Indivduo A
Indivduo 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
1.29. Numa competio de mercado de lmpadas fluorescentes, duas marcas alegam

para si o ttulo de, em mdia, apresentar mais economia de energia. Para sanar esta
dvida, uma associao de consumidores resolve fazer uma bateria de testes com
lmpadas das duas marcas. O resultado do consumo em watts/hora desta bateria de
testes 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 hiptese, qual marca de lmpada a associao de
consumidores deveria recomendar? Utilize o nvel de 5% de significncia.
1.30. Suponha que um pesquisador da rea de sade deseja mostrar que os indivduos
portadores de febre amarela apresentam um teor de glicose inferior mdia de 120 mg
dos indivduos no portadores. Para tanto, coletou uma amostra de sangue em sete
indivduos portadores de febre amarela e para cada um deles fez a avaliao do teor de
glicose, em mg. Os resultados obtidos foram:
Indivduo
Teor de glicose
1
119
2
122
3
120
4
110
5
112
6
115
7
116
Com base em um teste de hipteses apropriado, qual deveria ser a concluso do

pesquisador? Utilize o nvel de 5% de significncia.
21
Cap 2 Contrastes
2. Contrastes
2.1. Introduo
O estudo de contrastes muito importante na Estatstica Experimental,
principalmente quando o experimento em anlise composto por mais do que dois
tratamentos. Com o uso de contrastes possvel ao pesquisador estabelecer
comparaes, entre tratamentos ou grupos de tratamentos, que sejam de interesse.
Este captulo visa dar fundamentos para estabelecer grupos de contrastes, obter a
estimativa para cada contraste estabelecido, bem com estimar a variabilidade associada a
cada um destes contrastes. Todos os conhecimentos adquiridos neste captulo sero
utilizados no Captulo 5 para se realizar testes de hipteses para o grupo de contrastes
estabelecidos.
2.2. Definies
Contraste
Considere a seguinte funo linear de mdias populacionais de tratamentos
C = a1m1 + a 2m 2 + ... + a ImI
I
C ser um contraste entre mdias se satisfizer a seguinte condio:
a
i=1
=0
Estimador do Contraste
Na prtica, geralmente no se conhece os valores das mdias populacionais mi ,
mas suas estimativas. Da, em Estatstica Experimental, no se trabalhar com o contraste
, que tambm uma funo linear de mdias obtidas por
C mas com o seu estimador C
meio de experimentos ou amostras. Assim tem-se que o estimador para o contraste de
mdias dado por:
=a m
C
1 1 + a 2 m 2 + ... + a ImI
Exerccio
2.1 Num experimento de consrcio na cultura do abacaxi, com 5 repeties, as mdias de
produo de frutos de abacaxi (em t/ha), foram as seguintes:
Tratamentos
1 - Abacaxi (0,90 x 0,30m) monocultivo
2 - Abacaxi (0,80 x 0,30 m) monocultivo
3 - Abacaxi (0,80 x 0,30 m) + amendoim
4 - Abacaxi (0,80 x 0,30 m) + feijo
i
m
53,5
56,5
62,0
60,4
Pede-se obter as estimativas dos seguintes contrastes:

C1 = m1 + m2 m3 m4
C2 = m1 m2
C3 = m3 m4
22

___________________________________________________________________
2.3. Medidas de disperso associadas a contrastes

Considere o estimador do contraste C, dado por:
=a m
C
1 1 + a 2 m 2 + ... + a ImI
A varincia do estimador do contraste dada por:
= V (a m
VC
1 1 + a 2 m 2 + ... + a Im I )
Admitindo independncia entre as mdias
= V (a m
) + V (a m
) + ... + V (a m
VC
()
)
()
) = a V (m
) + a V (m
) + ... + a V (m
)
V (C
1
2
1
i)=
Sabe-se que: V (m
ri
2
i
2
2
2
I
, assim
()
2
2
2
2 1
2 2
2 I
V C = a1
+ a2
+ ... + aI
r1
r2
rI
Admitindo-se homogeneidade de varincias, ou seja, 12 = 22 = ... = n2 = 2 , ento
()
2
2
2
= a1 + a 2 + ... + aI
VC
r
r2
rI
1
I
2
a2
= 2 i
i=1 ri
Na prtica, geralmente, no se conhece a varincia 2 , mas sua estimativa a qual

obtida por meio de dados experimentais. Esta estimativa denominada como estimador
comum s c2 . Ento o que normalmente se obtm o valor do estimador da varincia do
estimador do contraste, a qual obtida por
2
I
= s 2 ai
V C
c
i=1 ri
( )
()
Exerccio
2.2 Por meio dos dados e dos contrastes fornecidos abaixo, obter as estimativas dos
contrastes e as estimativas das varincias das estimativas dos contrastes.
1 = 11,2
m
r1 = r2 = 6
2 = 10,5
m
r3 = 4
r4 = 5
3 = 10,0
m
4 = 21,0
m
s c2 = 0,45
C1 = m1 + m2 m3 m4
C2 = m1 m2
C3 = m3 m4
2.4. Contrastes Ortogonais

Em algumas situaes desejamos testar um grupo de contrastes relacionados com
o experimento em estudo. Alguns tipos de testes indicados para este objetivo, necessitam
que os contrastes, que compem o grupo a ser testado, sejam ortogonais entre si.
A ortogonalidade entre os contrastes indica independncia linear na comparao
estabelecida por um contraste com a comparao estabelecida pelos outros contrastes.
Sejam os estimadores dos contrastes de C1 e C2 dados, respectivamente, por:
=a m
C
1
1 1 + a 2 m 2 + ... + a ImI
23
Cap 2 Contrastes
A covarincia entre C
1
por
=b m
C
2
1 1 + b 2 m 2 + ... + b Im I
, supondo independncia entre tratamentos, obtida
e C
2
,C
= a b V (m
1 ) + a 2 b 2 V (m
2 ) + ... + a IbI V (m
I)
Cov C
1
2
1 1
i)=
A varincia da mdia amostral dada por: V (m
i2
, para i = 1, 2, ..., I. Logo,
ri
12
2
2
+ a 2b 2 2 + ... + aIb I I
r1
r2
rI
Admitindo que exista homogeneidade de varincias entre os tratamentos, ou seja:
12 = 22 = ... = I2 = 2 , ento.
,C
=a b
Cov C
1
2
1 1
I
,C
= a1b1 + a 2 b 2 + ... + a Ib I 2 = 2 a ib i
Cov C
1
2
r
r2
rI
i=1 ri
1
Sabe-se que, se duas variveis aleatrias so independentes, a covarincia entre
eC
so independentes, a covarincia entre eles igual
elas igual a zero. Assim, se C
1
2
a zero, isto :
,C
=0
Cov C
1
2
Para que a covarincia seja nula, necessrio, portanto que:
I
a ib i
= 0.
i=1 ri
Esta a condio de ortogonalidade entre dois contrastes para um experimento
com nmero diferente de repeties para os tratamentos. Para um experimento com o
mesmo nmero de repeties, satisfazendo as mesmas pressuposies (mdias
independentes e homogeneidade de varincias), a condio de ortogonalidade se resume
a:
a b
i=1
=0
Para um experimento com I tratamentos, podem ser formados vrios grupos de

contrastes ortogonais, no entanto cada grupo dever conter no mximo (I-1) contrastes
ortogonais, o que corresponde ao nmero de graus de liberdade para tratamentos.
Dentro de um grupo de contrastes ortogonais, todos os contrastes tomados dois a
dois, sero tambm ortogonais.
Exerccios
2.3. Verificar se os contrastes do Exerccio 2.1 formam um grupo de contrastes
ortogonais.
2.4. Verificar se os contrastes do Exerccio 2.2 formam um grupo de contrastes

ortogonais.
24

___________________________________________________________________
2.5. Mtodos para obteno de grupos de contrastes

mutuamente ortogonais
Obteno por Meio de Sistema de Equaes Lineares
Neste mtodo, deve-se estabelecer, a princpio, um contraste que seja de interesse
e, a partir deste que os demais so obtidos. Por meio da imposio da condio de
ortogonalidade e da condio para ser um contraste, obtm-se equaes lineares, cujas
incgnitas so os coeficientes das mdias que compem o contraste. Como o nmero de
incgnitas superior ao nmero de equaes existentes, ser sempre necessrio atribuir
valores a algumas incgnitas. desejvel que os valores a serem atribudos, permitam
que os coeficientes sejam nmeros inteiros.
Exerccio
2.5. Foi instalado para avaliar a produo de 4 hbridos cujas caractersticas so
apresentadas na tabela a seguir.
Hibrido
Porte
Inicio do Florescimento
ndice de acamamento
ri
1
Alto
Precoce
Mdio
3
2
Alto
Tardio
Alto
3
3
Alto
Tardio
Baixo
3
4
Baixo
Precoce
Mdio
3
Suponha que ao estabelecer as comparaes dos hbridos com relao a

produo, seja levado em considerao
o porte;
o incio do florescimento;
o ndice de acamamento.
Obtenha um grupo de contrastes ortogonais que permita testar as comparaes

segundo os critrios citados.
Obteno por Meio de Regras Prticas

Por meio desta metodologia, possvel estabelecer facilmente um grupo de
contrastes ortogonais. A metodologia pode ser resumida nos seguintes passos
(BANZATTO e KRONKA, 1989):
Divide-se o conjunto das mdias de todos os tratamentos do experimento em dois
grupos. O primeiro contraste obtido pela comparao das mdias de um grupo contra
as mdias do outro grupo. Para isso atribui-se sinais positivos para membros de um grupo
e negativos para membros do outro grupo.
Dentro de cada grupo formado no passo anterior, que possui mais que uma mdia,
aplica-se o passo 1, subdividindo-os em subgrupos. Repete-se este passo at que se
forme subgrupos com apenas uma mdia. Ao final, deveremos ter formado (I-1)
comparaes.
Para se obter os coeficientes que multiplicam cada mdia que compem os
contrastes estabelecidos, deve-se, para cada contraste:
Verificar o nmero de parcelas experimentais envolvidas no 1 grupo, digamos g1, e
o nmero de parcelas experimentais envolvidas no 2 grupo, digamos g2. Calcula-se o
mnimo mltiplo comum (m.m.c.) entre g1 e g2.
Dividir o m.m.c. por g1. O resultado ser o coeficiente de cada mdia do 1 grupo.
25
Cap 2 Contrastes
Dividir o m.m.c. por g2. O resultado ser o coeficiente de cada mdia do 2 grupo.
Multiplicar os coeficientes obtidos pelo nmero de repeties da respectiva mdia.
Se possvel, simplificar os coeficientes obtidos por uma constante. No caso em que o
nmero de repeties igual para todos os tratamentos, este passo pode ser eliminado.
Exerccio
2.6. Num experimento inteiramente casualizado, com 4 repeties, foram comparados os

efeitos de 5 tratamentos em relao ao crescimento de mudas de Pinus oocarpa, 60 dias
aps a semeadura. Os tratamentos utilizados e os resultados obtidos foram (BANZATTO
e KRONKA, 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)
Totais
21,0
27,1
26,6
22,1
25,6
Obtenha um grupo de contrastes ortogonais entre as mdias.

2.7. Suponha agora para o exemplo 1 que os tratamentos 1 e 4 tenham 3 repeties e os
tratamentos 2, 3 e 5 tenham 4 repeties. Obtenha um grupo de contrastes ortogonais
entre mdias.
2.6. Exerccios Suplementares

2.8. Dados
Tratamentos
1
2
3
4
e os contrastes
i
m
25,0
18,7
30,4
27,5
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 mdias sejam independentes e que
2
s c = 0,45 , pede-se
, C
e C
a) C
( ) ( )
( )
, V C
, e V C
b) V C
1
2
3
c) as estimativas das covarincias entre os estimadores dos contrastes, e por meio
das mesmas, dizer quais so os contrastes ortogonais entre si.
26

___________________________________________________________________
2.9. Supondo independncia entre mdias, homogeneidade de varincias entre
tratamentos e admitindo que m1,m 2 e m 3 tm, respectivamente, 5, 3 e 6 repeties,
verificar se os contrastes dados abaixo so ortogonais.
C 1 = m1 m 2
C 2 = m1 + m 2 2m 3
.
2.10. Considere um experimento com 4 tratamentos e as seguintes informaes:
s c2 = 4,10
r1 = r2 = r3 = 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, a partir dos contrastes C1 e C2, por
meio do mtodo do sistema de equaes lineares.
b) Obtenha V C
1
c) Obtenha V(C1)
2.11. Num experimento com 4 tratamentos e 5 repeties, so 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.
2.12. Com os dados abaixo, obter o contraste C 3 ortogonal aos contrastes C 1 e C 2 .
C1 = m1 m 2
r1 = r3 = 4
( )
C 2 = 4m 1 + 5m 2 9m 4
r2 = r 4 = 5
2.13. Dado o contraste C1 = 2m1 m2 m3, referente a um experimento com 3
tratamentos (r1 = r2 = r3 = 5), obter um contraste ortogonal C2 em relao a C1.
2.14. Dado o contraste C1 = 2m1 m2 m3, referente a um experimento com 3
tratamentos (r1 = r2 = 4 e r3 = 5), obter um contraste ortogonal C2 em relao a C1
2.15. Dado o contraste C1 = 9m1 4m2 5m3, referente a um experimento com 3
tratamentos (r1 = r2 = 4 e r3 = 5), obter um contraste ortogonal C2 em relao a C1.
2.16. Dados os contrastes C1 = m2 m4 e Y2 = 2m1 + m2 + m4, referente a um
experimento com 4 tratamentos (r1 = r2 = r3 = r4 = 5), obter um contraste ortogonal C3 em
relao a C1 e C2.
2.17. Dados os contrastes C1 = m1 + m2 + m3 3m4 e C2 = m1 2m2 + m3, referente a um
experimento com 4 tratamentos (r1 = r2 = r3 = 4 e r4 = 3), obter um contraste ortogonal C3
em relao a C1 e C2.
2.18. Dados os contrastes C1 = m1 4m2 + m3 + 2m4 e C2 = m1 m3, referente a um
experimento com 4 tratamentos (r1 = r3 = 6, r2 = 4 e r4 = 5), obter um contraste ortogonal
C3 em relao a C1 e C2.
27
Cap 2 Contrastes
2.19. Para verificar o efeito de trs tipos de adoantes no teor de glicose no sangue, foi
realizada uma pesquisa em que se ministrou cada um destes tipos de adoantes a um
determinado grupo de cobaias, por certo perodo de tempo. Ao final deste perodo, o teor
i ) no sangue foi avaliado para cada grupo, obtendo-se os seguintes
mdio de glicose ( m
resultados:
Adoante
1-Qumico
2- Qumico
3- Natural
No de Cobaias
8
10
5
i
m
115
90
75
s2
30
30
30
A partir dos dados fornecidos acima, pede-se:

2.19.1 Desejando-se testar o teor mdio de glicose do conjunto de cobaias que
recebeu adoante qumico contra o grupo que recebeu adoante natural, qual seria o
contraste apropriado? Qual o valor da estimativa deste contraste?
2.19.2 Suponha que seja de interesse testar a seguinte comparao: C1 = m2 m3,
no entanto, desejamos testar outros contrastes que sejam ortogonais a C1. Obtenha o (s)
outro (s) contraste (s) ortogonal (is) necessrio (s) para completar o grupo de contrastes
ortogonais a C1.
2.20. Num experimento, 4 novos tipos de herbicida foram comparados para verificar se
so eficazes para combater ervas daninhas e assim manter a produo de milho em
nveis elevados. Um resumo do experimento dado a seguir
Herbicida
1 Biolgico
2 Qumico base de nitrognio e enxofre
3 Qumico base de nitrognio e fsforo
4 Qumico base de inativadores enzimticos
Mdia de produo (kg/ha)

46
31
32
25
Repeties
4
4
4
4
Suponha que seja de interesse testar o seguinte contraste entre as mdias de

tratamentos C1 = 3m1 m 2 m 3 m 4 . Suponha ainda que todos os tratamentos possuam
uma mesma varincia e que sua estimativa igual a 35 (kg / ha) 2 . Pergunta-se:
a) Qual a comparao que est 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.
c) Qual a estimativa da varincia para a estimativa do contraste C1?
d) Forme um grupo de contrastes ortogonais a partir do contraste C1. Descreva
qual comparao que est sendo feita por cada contraste que voc obteve. Baseando-se
nos dados amostrais fornecidos, obtenha tambm a estimativa para cada um dos
contrastes.
28

___________________________________________________________________
2.21. Considere um experimento, onde foi avaliada a varivel produo (kg/parcela) de
quatro tratamentos (adubaes), denominados como: T1 = Sulfato de Amnio, T2 =
Sulfato de Amnio + Enxofre, T3 = Nitroclcio e T4 = Nitroclcio + Enxofre. Os resultados
obtidos foram:
Tratamentos
1 Sulfato de Amnio
2 Sulfato de Amnio + Enxofre
3 Nitroclcio
4 Nitroclcio + Enxofre
i
m
24,0
28,0
27,0
25,0
ri
4
5
4
5
s c2 = 0,75
a) Estabelecer as seguintes comparaes de interesse (as comparaes
solicitadas, no so necessariamente ortogonais):
i) Sulfato de Amnio versus Nitroclcio na ausncia de Enxofre
ii) Sulfato de Amnio versus Sulfato de Amnio + Enxofre
iii) Nitroclcio versus Nitroclcio + Enxofre
b) Sendo dados, com base em outros critrios, os seguintes contrastes:
C1 = m1 m2
C2 = 4m1 + 5m2 + 4m3 13m4
Pede-se:
i) Obter a estimativa do contraste C2.
ii) Obter a estimativa da varincia da estimativa do contraste C2.
iii) Obter a varincia do contraste C.
iv) Os contrastes C1 e C2 so ortogonais? Justifique a sua resposta.
29
Cap 3 Introduo Experimentao

____________________________________________________________________
3. Introduo Experimentao
3.1. Introduo
A experimentao tem por objetivo o estudo dos experimentos, isto , seu
planejamento, execuo, anlise dos dados obtidos e interpretao dos resultados.
3.2. Alguns Conceitos Bsicos

a. Tratamento ou fator: o mtodo, elemento ou material cujo efeito desejamos medir
ou comparar em um experimento. Exemplos: a) variedades de milho; b) nveis de
protena na rao e c) diferentes temperaturas de pasteurizao do leite.
b. Unidade experimental: a unidade que vai receber o tratamento e fornecer os
dados que devero refletir o seu efeito. Exemplos: a) uma fileira de plantas com 3
metros de comprimento no campo; b) um leito e c) um litro de leite.
c. Delineamento experimental: a maneira como os tratamentos so designados s
unidades experimentais. Exemplos: Delineamento Inteiramente Casualizado
(Captulo 4), Delineamento em Blocos Casualizados (Captulo 6) e Delineamento em
Quadrado Latino (Captulo 7).
d. Esquema: quando em um mesmo experimento so avaliados dois ou mais fatores
os nveis dos fatores podem ser combinados de maneiras diferentes. O esquema
justamente a maneira utilizada pelo pesquisador ao combinar os nveis dos fatores
para se obter os tratamentos. Exemplos: Esquema Fatorial (Captulo 8) e Esquema
em Parcelas subdivididas (Captulo 9).
e. Varivel resposta: a varivel mensurada usada para avaliar o efeito de
tratamentos.
f. Erro experimental: o efeito de fatores que atuam de forma aleatria e que no so
passveis de controle pelo experimentador.
A pesquisa cientfica est constantemente se utilizando de experimentos para
provar suas hipteses. claro que o procedimento para realizar um experimento varia de
acordo com a rea para a qual est se fazendo uma pesquisa. Porm, todo experimento
deve seguir alguns princpios bsicos, para que as concluses sejam vlidas.
3.3. Princpios Bsicos da Experimentao

So trs os princpios bsicos da experimentao: repetio, casualizao e
controle local.
Princpio da Repetio
A repetio consiste em aplicar o mesmo tratamento a vrias unidades
experimentais, ou seja, consiste na reproduo do experimento bsico. No existe uma
regra dizendo qual deve ser o nmero mnimo de repeties. Isto depende do
conhecimento do pesquisador sobre o assunto e do conjunto de condies em que ser
realizado o experimento. Como regra prtica, sugere-se que os experimentos tenham pelo
menos 20 unidades experimentais e 10 graus de liberdade para o resduo. Quanto maior
o nmero de repeties, espera-se que seja maior a preciso do experimento.
Em termos estatsticos, o uso do princpio da repetio tem por finalidade obter
uma estimativa do erro experimental.
30

___________________________________________________________________
Princpio da Casualizao
O princpio da casualizao consiste em distribuir ao acaso os tratamentos s
unidades experimentais. Este princpio tem por finalidade propiciar, a todos os
tratamentos, a mesma chance de serem designados a qualquer uma das unidades
experimentais, visando evitar que algum dos tratamentos seja sistematicamente
favorecido ou desfavorecido por fatores fora de controle do pesquisador. Sendo assim
com o uso do princpio da casualizao, as variaes que contribuem para o erro
experimental so convertidas em variveis aleatrias.
Do ponto de vista estatstico, com o uso do princpio da casualizao em um
experimento:
a. obtm-se uma estimativa vlida do erro experimental;
b. fica garantido o uso de testes de significncia, pois os erros experimentais
atuam de forma independente nas diversas unidades experimentais.
Todo experimento deve conter no mnimo os princpios bsicos da repetio e da
casualizao.
Princpio do Controle na Casualizao

O uso do princpio do controle na casualizao s recomendado quando as
unidades experimentais no so ou no esto sob condies homogneas devido a
influncia de um ou mais fatores. Para utilizar este princpio, necessrio inicialmente
dividir as unidades experimentais em blocos de unidades de tal forma que dentro de cada
bloco haja homogeneidade e um nmero de unidades igual ao nmero de tratamentos do
experimento. A distribuio dos tratamentos as unidades feita ento dentro de cada
bloco. Da o nome do princpio controle na casualizao.
A finalidade, do uso do princpio do controle na casualizao, reduzir o efeito do
erro experimental atravs do controle da variao existente entre as unidades
experimentais. Espera-se que com o controle na casualizao a estimativa obtida para o
erro experimental seja menor.
3.4. Fontes de variao de um experimento

Em um experimento podem ocorrer as seguintes fontes de variao:
Premeditada
aquela introduzida pelo pesquisador com a finalidade de fazer comparaes. Por
exemplo: tratamentos.
Sistemtica
Variaes no intencionais, mas de natureza conhecida. Variao inerente ao
material experimental. Podem ser controladas pelo pesquisador. Por exemplo:
heterogeneidade do solo, tamanho de semente, etc.
Aleatria
So variaes de origem desconhecida, no podendo ser controladas. Constituem
o erro experimental. So devidas a duas fontes: variaes no material experimental e falta
de uniformidade nas condies experimentais.
31

____________________________________________________________________
3.5. Exerccios
3.1. Um experimento deve conter no mnimo o(s) seguinte(s) princpio(s) bsico(s) da
experimentao:
a) repetio
b) casualizao
c) controle local
d) repetio e controle local
e) repetio e casualizao
f) casualizao e controle local
g) nenhuma das respostas anteriores
3.2. A repetio tem a funo 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. A casualizao tem a funo 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
3.4. Um extensionista, desejando comparar 10 raes para ganho de peso em animais,
procedeu da seguinte forma:
-
tomou 10 animais de uma propriedade rural. Estes 10 animais visivelmente no

eram homogneos entre si, porque foram oriundos de diferentes cruzamentos
raciais e apresentavam idades diferentes.
as raes que o extensionista julgou ser as melhores foram designadas aos
melhores animais, e as raes que o extensionista julgou ser as piores foram
designadas aos piores animais, de tal forma que cada animal recebeu uma nica
rao.
ao final de sua pesquisa, o extensionista recomendou a rao que proporcionou
maior ganho de peso nos animais.
Baseado nestas informaes, pergunta-se:
3.4.1 Quantos e quais foram os tratamentos em teste nesta pesquisa? Justifique sua
resposta.
3.4.2 Qual foi a constituio de cada unidade experimental nesta pesquisa? Justifique sua
resposta.
3.4.3 Qual(is) foi(ram) o(s) princpio(s) bsico(s) da experimentao utilizados nesta
pesquisa? Justifique a sua resposta.
3.4.4 possvel estimar o erro experimental nesta pesquisa? Justifique sua resposta.
3.4.5 A concluso dada pelo extensionista ao final da pesquisa, estatisticamente
aceitvel? Justifique a sua resposta.
32

___________________________________________________________________
3.5. Um bioqumico desejando verificar qual entre 5 enzimas (identificadas como E1, E2,
E3, E4 e E5) produz maiores fragmentos de DNA de clulas epiteliais de cobaias, realizou
o seguinte ensaio:
-
selecionou um conjunto de 15 cobaias (sistematicamente identificadas como 1, 2,

3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14 e 15) que eram supostamente homogneas
para as caractersticas essenciais;
de cada uma das 15 cobaias, tomou uma amostra de tecido epitelial de cada um
dos seguintes membros: superior, mediano e inferior. Procedeu posteriormente a
uma mistura das amostras coletadas dos trs membros, denominada de amostra
composta;
cada amostra composta foi convenientemente tratada para a extrao do DNA. A
amostra obtida contendo apenas o DNA foi denominada amostra genmica. As
amostras genmicas foram identificadas de acordo com o nmero da cobaia que a
originou, ou seja, a amostra genmica identificada como C1, conteve DNA extrado
da cobaia 1; a amostra genmica identificada como C2, conteve DNA extrado da
cobaia 2; e assim por diante. Ao final obteve-se as amostras genmicas C1, C2,
C3, C4, C5, C6, C7, C8, C9, C10, C11, C12, C13, C14 e C15;
cada uma das amostras genmicas foi tratada com um tipo de enzima. A
distribuio das enzimas s amostras foi feita da seguinte forma sistemtica: E1 foi
destinada s amostras genmicas C1, C2 e C3; E2 foi destinada s amostras
genmicas C4, C5 e C6; E3 foi destinada s amostras genmicas C7, C8 e C9; E4
foi destinada s amostras genmicas C10, C11 e C12; e E5 foi destinada s
amostras genmicas C13, C14 e C15;
uma amostra de 1 ml de cada substrato qumico dos fragmentos de DNA foi
colocado para correr em um gel. O tempo, em minutos, gasto por cada uma das 15
amostras para percorrer a distncia de 25 cm foi registrado para comparar o efeito
das enzimas E1, E2, E3, E4 e E5.
Com base nas informaes fornecidas deste ensaio e das explicaes fornecidas
em sala de aula, pergunta-se:
3.5.1 Quais foram os tratamentos em teste neste experimento? Justifique a sua resposta.
3.5.2 Neste experimento os tratamentos surgiram de uma forma aleatria, premeditada ou
sistemtica? Justifique a sua resposta.
3.5.3 Qual foi a unidade experimental nesta pesquisa? Justifique a sua resposta.
3.5.4 O princpio da repetio foi utilizado nesta pesquisa? Justifique a sua resposta. Em
caso afirmativo, explique porque diferentes observaes obtidas para um mesmo
tratamento no so iguais. Em caso negativo, faa uma anlise crtica quanto
necessidade do uso de repeties num experimento.
3.5.5 O princpio da casualizao foi utilizado nesta pesquisa? Justifique a sua resposta.
3.5.6 O princpio do controle local foi utilizado nesta pesquisa? Justifique a sua resposta.
Em termos gerais, quando que o princpio do controle local deve ser utilizado em um
experimento?
3.5.7 possvel estimar o erro experimental nesta pesquisa? Justifique a sua resposta.
Em caso afirmativo, a estimativa do erro experimental vlida? Justifique a sua resposta.
Em caso negativo, indique o que deveria ser feito de diferente neste ensaio para ser
possvel estimar o erro experimental. Justifique a sua resposta.
3.5.8 Neste ensaio, qual foi a varivel resposta utilizada para comparar os efeitos de
tratamentos? Justifique a sua resposta.
33

____________________________________________________________________
3.6. Um pesquisador desejava comparar os efeitos que 8 tipos de leo tm sobre o teor
de gordura total em preparos de maionese. Com esta finalidade, esse pesquisador
procedeu da seguinte forma:
-
para a avaliao do teor de gordura total, o pesquisador tinha sua disposio 8

bioqumicos. Devido falta de experincia dos bioqumicos, o pesquisador temia
que a medio dos mesmos pudesse interferir na comparao dos tipos de leo.
Visando controlar esta fonte de variao, o pesquisador decidiu que cada um dos 8
bioqumicos deveria fazer a medio do teor de gordura dos preparos de maionese
produzidos utilizando os 8 tipos de leo;
baseado em experimentos anteriores, o pesquisador sabia que, apesar do controle
de qualidade, havia variao entre os lotes de substrato de preparos de maionese.
O substrato de preparo da maionese o composto que tem todos os ingredientes
do preparo da maionese, exceto o leo. Como um lote de substrato no seria
suficiente para testar os 8 tipos de leo em todas as repeties desejadas, o
pesquisador decidiu que prepararia 8 lotes de substrato e dividiria cada lote em 8
partes iguais. Cada uma das 64 partes, assim obtidas, seria denominada de
amostra bsica;
foi ento realizada uma distribuio ao acaso dos 8 tipos de leo s amostras
bsicas, tendo as seguintes restries na casualizao:
1a) cada tipo de leo deveria ser aplicado em uma nica amostra bsica de cada
um dos 8 lotes de substrato.
2a) os 8 tipos de preparo de maionese obtidos misturando cada uma das amostras
bsicas com cada um dos 8 tipos de leo, deveriam ser avaliadas por cada um dos 8
bioqumicos;
No local que foi conduzido o experimento, o pesquisador constatou que, aps certo
tempo do experimento ter sido instalado, houve uma pequena contaminao por fungo em
algumas unidades experimentais. O pesquisador, usando do seu conhecimento tcnico na
rea, julgou que a contaminao no comprometeria os resultados obtidos no
experimento.
Baseando-se nestas informaes, responda com objetividade e clareza, as
seguintes perguntas:
3.6.1 Quais foram os tratamentos em teste? Justifique a sua resposta.
3.6.2 Como voc classificaria a fonte de variao contaminao por fungo, observada
nesse experimento? Justifique a sua resposta.
3.6.3 Qual foi a unidade experimental utilizada nesta pesquisa? Justifique a sua resposta.
3.6.4 O princpio da repetio foi utilizado nesta pesquisa? Se sua resposta for afirmativa,
responda qual foi o nmero de repeties utilizado. Se a sua resposta for negativa,
responda se o procedimento do pesquisador est correto.
3.6.5 O princpio da casualizao foi utilizado nesta pesquisa? Justifique a sua resposta.
3.6.6 O princpio do controle local foi utilizado nesta pesquisa? Se a sua resposta for
afirmativa, explique como este princpio foi utilizado. Se a sua resposta for negativa,
explique por que no houve a necessidade da utilizao deste princpio.
3.6.7 Qual foi a caracterstica utilizada pelo pesquisador para avaliar o efeito de
tratamentos neste experimento. Justifique a sua resposta.
34

___________________________________________________________________
3.7. Um fabricante de mveis realizou um experimento para verificar qual dentre cinco
marcas de verniz proporciona maior brilho. Com esta finalidade, procedeu da seguinte
forma:
-
Em sua fbrica identificou amostras de madeira que estariam disponveis para a

realizao deste experimento. Verificou que possua cinco tbuas de Jatob, cinco
tbuas de Cerejeira, cinco tbuas de Mogno, cinco tbuas de Goiabo e cinco
tbuas de Castanheira. Constatou tambm que as cinco tbuas de cada tipo de
madeira eram homogneas para as caractersticas essenciais e que havia uma
grande variedade de cores entre os cinco tipos de madeira (Jatob, Cerejeira,
Mogno, Goiabo e Castanheira). Sabe-se que a cor da madeira pode influenciar
muito o brilho da mesma quando envernizada;
Resolveu ento distribuir ao acaso as cinco marcas de verniz s tbuas de
madeira, de tal forma que cada tipo de madeira fosse testada com todas as marcas
de verniz;
O brilho foi medido por meio de um aparelho que mede a refletncia da luz branca
projetado sobre a tbua de madeira envernizada;
Baseado nas informaes deste experimento, pergunta-se:

3.7.1. Qual foi a unidade experimental utilizada neste experimento? Justifique a sua
resposta.
3.7.2. Quais foram os tratamentos comparados neste experimento? Justifique a sua
resposta.
3.7.3. Quais foram os princpios bsicos da experimentao utilizados neste experimento?
Justifique a sua resposta.
3.7.4. possvel estimar o erro experimental neste experimento? Justifique a sua
resposta. Se a resposta for afirmativa, a estimativa do erro vlida? Justifique. Se a
resposta foi negativa, explique o que deveria ser feito para obter uma estimativa vlida
para o erro experimental.
3.7.5. O que faz surgir o erro num experimento? possvel eliminar totalmente o efeito do
erro experimental em um experimento? Justifique a sua resposta.
3.7.6. O procedimento adotado pelo pesquisador de distribuir as marcas de verniz ao
acaso dentro de cada tipo de madeira foi realmente necessrio? Justifique a sua resposta.
3.8. Um pesquisador de uma indstria de alimentos desejava verificar se seis sabores de
sorvete apresentavam o mesmo o teor de glicose. O pesquisador, baseado em
experimentos anteriores, sabia que duas outras fontes de variao indesejveis poderiam
influenciar o valor mensurado do teor de glicose: o tipo de recipiente utilizado para
armazenagem do sorvete e o equipamento utilizado para mensurao do teor de glicose.
Para controlar estas duas fontes de variao o pesquisador decidiu que cada sabor
deveria ser avaliado em cada um dos seis equipamentos disponveis; e armazenado em
cada um dos seis tipos de recipientes disponveis. Com esta finalidade, o pesquisador
planejou o experimento da seguinte maneira:
- preparar 6 lotes de 100 ml de cada sabor. O total de lotes a serem preparados
seria de 36 lotes;
- os lotes de sorvetes deveriam ser distribudos ao acaso aos recipientes, com a
restrio de que cada tipo de recipiente recebesse todos os 6 sabores uma nica
vez;
35

____________________________________________________________________
-
os lotes de sorvetes seriam designados ao acaso aos equipamentos para a anlise

do teor de glicose, com a restrio de que cada equipamento avaliasse cada um
dos seis sabores uma nica vez.
Baseando-se nestas informaes, pergunta-se:
3.8.1. Quais foram os tratamentos em teste neste experimento? Justifique a sua resposta.
3.8.2. O princpio da repetio foi utilizado neste experimento? Justifique a sua resposta.
3.8.3. O princpio do controle local foi utilizado neste experimento? Justifique a sua
resposta. Se a resposta for afirmativa, quantas vezes o mesmo foi utilizado? Se a
resposta for negativa, discuta sobre a necessidade do mesmo ser utilizado neste
experimento.
36

____________________________________________________________________
4. Delineamento Inteiramente Casualizado

4.1. Introduo
No Delineamento Inteiramente Casualizado (DIC) a distribuio dos tratamentos s
unidades experimentais feita inteiramente ao acaso. Os outros delineamentos
experimentais, por exemplo: blocos casualizados e quadrado latino, se originam do DIC
pelo uso de restrio na casualizao. O DIC utiliza apenas os princpios bsicos da
repetio e da casualizao.
Como no faz restries na casualizao, o uso do DIC pressupe que as
unidades experimentais esto sob condies homogneas. Estas condies homogneas
geralmente so obtidas em locais com ambientes controlados tais como laboratrios,
estufas e casas de vegetao.
4.2. Quadro de tabulao dos dados

A ttulo de exemplo, considere um experimento instalado no DIC com I tratamentos
e J repeties. A coleta de dados da pesquisa pode ser resumida, num quadro do tipo a
seguir:
Repeties
1
2
...
J
1
Y11
Y12
...
Y1J
Totais
T1
Tratamentos
2
...
...
Y21
...
Y22
...
...
...
Y2J
T2
...
I
YI1
YI2
...
YIJ
TI
Deste quadro pode-se retirar algumas informaes de interesse:

-
no de unidades experimentais: N = I x J
Total geral: G =
I,J
i =1, j =1
Yij = Ti = Y
i =1
Total para o tratamento i: Ti = Yij = Yi

j =1
Ti
J
G
= .
Mdia geral do experimento: m
IJ
i =
Mdia para o tratamento i: m
4.3. Modelo estatstico

Existe um modelo estatstico especfico para cada tipo de delineamento. O modelo
estatstico identifica quais so as fontes de variao dos valores de uma varivel resposta
em estudo.
Para os dados oriundos de um experimento instalado segundo o DIC, o seguinte
modelo estatstico deve ser utilizado nas anlises estatsticas:
Yij = m + t i + e ij
37

____________________________________________________________________
em que,
Yij o valor observado para a varivel resposta obtido para o i-simo tratamento
em sua j-sima repetio;

m mdia de todos os valores possveis da varivel resposta;
t i o efeito do tratamento i no valor observado Yij ;
t i = mi m
eij o erro experimental associado ao valor observado Yij ;
e ij = Yij m i
O erro experimental ocorre em todos os experimentos, porque no possvel
controlar o efeito de fontes de variaes que ocorrem de forma aleatria e desconhecida.
Este erro o responsvel pela variao observada entre as observaes obtidas nas
repeties para cada tratamento.
4.4. Anlise de Varincia

uma tcnica de anlise estatstica que permite decompor a variao total, ou
seja, a variao existente entre todas as observaes, na variao devido diferena
entre os efeitos dos tratamentos e na variao devido ao acaso, que tambm
denominada de erro experimental ou resduo.
No entanto, para que esta tcnica seja empregada necessrio que sejam
satisfeitas as seguintes pressuposies:
1a) os efeitos do modelo estatstico devem ser aditivos;
2a) os erros experimentais devem ser normalmente distribudos, independentes, com
mdia zero e com varincia comum.
Partindo do modelo estatstico, pode-se decompor a variao entre os valores
observados nas diferentes causas de variabilidade, como demonstrado a seguir:
Considere o modelo estatstico para um experimento instalado segundo o DIC:
Yij = m + t i + e ij
fazendo t i = m i m e eij = Yij mi , tem-se:
Yij m = (m i m) + (Yij m i ) ,
substituindo m, m i e e ij por seus estimadores tem-se:
= (m
i m
) + (Yij m
i ),
Yij m
elevando ambos os membros ao quadrado
(Yij m)2 = (mi m) + (Yij mi ) 2 ,
aplicando somatrio
(Y
I,J
i=1, j=1
(Y
I,J
i=1, j=1
ij
)2 =
m
ij
)2 =
m
[(m
I,J
i=1, j=1
2
(mi m) +
I,J
i=1, j=1
) + (Yij m
i)2 ,
m
(Y
I,J
i=1, j=1
ij
i )2 +
m
I,J
duplos produtos
i=1, j=1
I,J
pode-se verificar que:
duplos produtos = 0 .
i =1, j =1
Escrevendo de uma forma mais simplificada a igualdade anterior temos:

SQTotal = SQTrat + SQRes
Por meio das frmulas obtidas anteriormente, pode-se obter os valores para as
respectivas somas de quadrados. No entanto, essas frmulas demandam muitos clculos.
38

____________________________________________________________________
Frmulas de mais fcil aplicao podem ser obtidas, conforme mostrado a seguir.
Inicialmente trabalharemos com a frmula da SQTotal.
Tem-se que:
(Y
)
m
I,J
SQTotal =
ij
i =1, j =1
desenvolvendo o quadrado perfeito,
(Y
I,J
ij
i =1, j =1
(Y
)2 =
m
I,J
Yij + m
2
2m
2
ij
i =1, j =1
aplicando-se as propriedades de somatrio, temos:
(Y
) =
m
I,J
ij
i =1, j =1
I,J
I,J
Yij2 2m Yij +
i =1, j =1
(Y
I,J
ij
i =1, j =1
)2 =
m
i =1, j =1
I,J
i =1, j =1
I,J
Yij + IJm
2
2m
2
ij
i =1, j =1
I,J
i =1, j =1
I,J
=
A mdia geral pode ser escrita como: m
i =1, j =1
IJ
ij
, assim
I,J
Y
Yij
ij I,J
I,J
i =1, j =1
i=1, j =1
2
Yij + IJ
= Yij 2
IJ i=1, j=1
IJ
i =1, j =1
I,J
(Y
I,J
i =1, j =1
)
m
ij
simplificando tem-se,
2
(Y
I,J
)
m
ij
i =1, j =1
I,J
Yij
I,J
i=1, j=1
= Yij2 2
+
IJ
i =1, j =1
I,J
Yij
i=1, j=1
IJ
finalmente temos:
SQTotal =
(Y
I,J
i =1, j =1
)
m
ij
I,J
Yij
I,J
i =1, j =1
= Yij2
IJ
i =1, j =1
que a frmula mais prtica para se calcular a SQTotal.

Para a SQTratamentos tem-se:
I,J
SQTrat =
(m
i =1, j =1
)
m
desenvolvendo o quadrado perfeito,

I,J
2
(m i m)
(m
I,J
i =1, j =1
i =1, j =1
2
i
m
i +m
2
2m
aplicando-se as propriedades de somatrio, temos:

I,J
2
(m i m)
i =1, j =1
I,J
(m
i =1, j =1
i =1, j =1
I,J
i2 2m
m
i +
m
i =1, j =1
I,J
i =1, j =1
) = J m
i2 2m
J m
i + IJm
2
m
2
I,J
i =1
i =1
A mdia geral e a mdia para tratamentos podem ser escritas respectivamente

como:
39

____________________________________________________________________
I,J
=
m
i =1, j =1
ij
i =
e m
IJ
substituindo na expresso anterior, tem-se:
Ti
J
I,J
Yij
Y
ij I T i=
I
Ti2
i =1, j =1
1, j =1
i
= J 2 2
J + IJ
IJ
IJ
i =1 J
i =1 J
I,J
(m
I,J
i =1, j =1
)2
m
sabe-se que Ti = Yij , ento

j =1
I,J
Yij
Yij
Yij i=
I
Ti2
i =1, j =1
1, j =1
i=1, j=1
J
= J 2 2
+ IJ
IJ
J
IJ
i =1 J
I,J
(m
I,J
i =1, j =1
)
m
I,J
simplificando, tem-se.
2
I,J
(m
i =1, j =1
)2
m
I,J
Yij
2
I
Ti
i =1, j =1
+
=
2
IJ
i =1 J
I,J
Yij
i =1, j =1
IJ
finalmente tem-se:
2
I,J
Yij
I,J
I
T 2 i=1, j=1
i m
)2 = i
SQTrat = (m
IJ
i =1, j =1
i =1 J
A frmula anterior utilizada quando o nmero de repeties igual para todos os
tratamentos. No caso em que o nmero de repeties varia de acordo com o tratamento a
frmula apropriada
I,ri
Yij
I
T 2 i =1, j =1
SQTrat = i
N
i =1 ri
em que,
I
N o nmero de unidades experimentais =
r
i =1
ri nmero de unidades experimentais do tratamento i.
A Soma de Quadrados do Resduo (SQRes) obtida por diferena,

SQRes = SQTotal - SQTrat
O quadro da anlise de varincia, geralmente denotada por ANOVA (ANalysis Of
VAriance) para a anlise de um experimento instalado segundo o DIC, com igual nmero
de repeties para todos os tratamentos do seguinte tipo:
40

____________________________________________________________________
FV
GL
SQ
Tratamentos
(I-1)
SQTrat
Resduo
I(J-1)
SQRes
Total
IJ - 1
SQTotal
QM
SQTrat
I1
SQ Re s
I(J 1)
F
QMTrat
QM Re s
Ftab;
[(I-1); I(J-1)]
A partir das SQTrat e SQRes, obtm-se os respectivos quadrados mdios, por

meio do quociente entre a soma de quadrados com o respectivo nmero de graus de
liberdade.
Para se concluir se existe diferena entre tratamentos, calcula-se o valor de F, que
obtido pelo quociente do QMTrat com o QMRes. Este valor de F calculado deve ser
comparado com o valor de F tabelado, o qual obtido na tabela de distribuio da
varivel aleatria F, de acordo com o nvel de significncia do teste, graus de liberdade
para tratamentos e graus de liberdade para resduo.
As hipteses para o teste F da anlise de varincia para tratamentos so as
seguintes:
H 0 : m1 = m 2 = ... = m I = m , o que equivale a dizer que todos os possveis contrastes
entre as mdias dos tratamentos, so estatisticamente nulos, ao nvel de
probabilidade que foi executado o teste.
H a : no H 0 , o que equivale a dizer que existe pelo menos um contraste entre as mdias
dos tratamentos, estatisticamente diferentes de zero, ao nvel de probabilidade que foi
realizado o teste.
A regra decisria para o teste F a seguinte:
-
se o valor do F calculado for maior ou igual ao valor do F tabelado, ento rejeita-se

H0 e conclui-se que os tratamentos tem efeito diferenciado ao nvel de significncia
em que foi realizado o teste;
se o valor de F calculado for menor que o valor do F tabelado, ento no rejeita-se

H0 e conclui-se que os tratamentos tm efeitos iguais ao nvel de significncia em
que foi realizado o teste.
4.5. Coeficiente de Variao

O coeficiente de variao calculado da seguinte maneira:
CV =
QMRe s
100
O CV utilizado para avaliao da preciso de experimentos. Quanto menor o CV

mais preciso tende a ser o experimento. A ttulo de classificao geral pode-se utilizar a
seguinte tabela
C.V.
< 10%
10 a 20%
20 a 30%
>30%
Avaliao
Baixo
Mdio
Alto
Muito Alto
Preciso
Alta
Mdia
Baixa
Muito Baixa
Porm o valor do CV no tem nada de absoluto, pois existe uma variabilidade

inerente a cada rea de pesquisa. Por exemplo, experimentos realizados em locais com
41

____________________________________________________________________
ambiente controlado geralmente so mais precisos e podem apresentar CV menores que
5%.
4.6. Vantagens e Desvantagens do delineamento inteiramente

casualizado
Vantagens
a) no existem exigncias quanto ao nmero de tratamentos e repeties;
b) o delineamento experimental que apresenta o maior valor para o nmero de
graus de liberdade associado ao resduo.
Desvantagens
a) no fcil conseguir e manter total homogeneidade das condies durante a toda
a realizao do experimento;
b) todas as variaes exceto a devida a tratamentos, so consideradas como sendo
variaes que ocorrem ao acaso. Isto pode acarretar em uma estimativa muito alta
para o erro experimental.
4.7. Exerccios
4.1. Para comparar a produtividade de quatro variedades de milho, um agrnomo tomou
vinte parcelas similares e distribuiu, inteiramente ao acaso, cada uma das 4 variedades
em 5 parcelas experimentais. A partir dos dados experimentais fornecidos abaixo,
possvel concluir que existe diferena significativa entre as variedades com relao a
produtividade, utilizando o nvel de significncia de 5%?
Totais
Mdias
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
4.2. Um treinador de corrida rstica, objetivando melhorar o desempenho de seus atletas,

testou trs novas tcnicas de preparao. Para tanto trabalhou com um grupo de 15
atletas completamente homogneos para as caractersticas essenciais. A designao das
tcnicas de preparao aos atletas foi feita totalmente ao acaso e de tal forma que o
nmero de atletas avaliados em cada uma das tcnicas fosse o mesmo. Os resultados
obtidos, aps um determinado perodo de tempo de aprendizado da tcnica pelos atletas,
foram os seguintes (minutos / 25 Km):
42

____________________________________________________________________
Tcnicas de Preparao
1
2
3
130
125
135
129
131
129
128
130
131
126
129
128
130
127
130
643
642
653
Repeties
1
2
3
4
5
Totais
De acordo com os resultados obtidos, pede-se.

a) Quais foram os Princpios Bsicos da Experimentao utilizados pelo pesquisador
neste experimento?
b) Qual foi a unidade experimental nesta pesquisa?
c) possvel concluir que existe diferena entre as tcnicas de preparao com relao
ao tempo mdio gasto para percorrer a distncia de 25 km? ( = 1%)
d) Qual seria a tcnica a ser recomendada?
4.3. Com o objetivo de diminuir o consumo dos motores gasolina, uma determinada
indstria petroqumica testou 4 novas formulaes de gasolina, as quais se diferenciavam
pelo tipo de aditivo que era acrescentado mesma durante o seu processo de fabricao.
Para efetuar o teste, a indstria petroqumica utilizou carros completamente homogneos
para todas as caractersticas. A designao das formulaes aos carros foi feita
inteiramente ao acaso. Aps os testes de rodagem, os resultados obtidos foram (km/l):
Aditivo a base de
cido Forte
Mdias
14,81
N de carros
10
SQResduo=6,0264
cido Fraco
6,56
10
Base Forte
10,06
10
Base Fraca
10,09
10
Com base nos resultados acima, pede-se:

a) Existe diferena entre os 4 tipos de formulaes? ( = 5%)
b) Estabelea um contraste entre o grupo base de formulao cida contra o grupo
base de formulao bsica. Obtenha a estimativa para este contraste.
c) Estabelea um contraste para comparar aditivos de formulao cida. Obtenha a
estimativa para este contraste.
d) Estabelea um contraste para comparar aditivos de formulao bsica. Obtenha a
estimativa para este contraste.
4.4. Com o objetivo de verificar se a partida tem influncia na taxa de glicose no sangue,
em ratos, um experimento no DIC foi realizado. Vinte e quatro ratos machos da raa W
foram escolhidos aleatoriamente e separados em trs grupos. Os dados referentes as
taxas de glicose, em miligramas por 100 ml de sangue, segundo o grupo, em ratos
machos com 60 dias de idade so dados abaixo:
Parotidectomizado
96,0
Pseudoparotidectomizado 90,0
Normal
86,0
95,0 100,0 108,0 120,0 110,5 97,0

93,0
89,0 88,0 87,0 92,5 87,5
85,0 105,0 105,0 90,0 100,0 95,0
92,5
85,0
95,0
Usando = 5% , testar a hiptese de que as mdias relativas aos trs grupos so

iguais, e concluir.
4.5.O resultado das vendas efetuadas por 3 vendedores de uma indstria de pesticidas
durante certo perodo dado a seguir. Ao nvel de 5% de probabilidade e considerando os
43

____________________________________________________________________
vendedores como tratamentos de um D.I.C., verifique se h diferena de eficincia entre
os vendedores.
Totais
A
29
27
31
29
32
30
178
Vendedores
B
27
27
30
28
112
C
30
30
31
27
29
147
4.6. Baseado nas informaes fornecidas abaixo e supondo que os tratamentos que
possuem as maiores mdias so os desejados, pergunta-se:
Qual(is) tratamento(s) deve(m) ser recomendado(s)? Justifique a sua resposta. Use o
nvel de 1% de significncia.
FV
Tratamentos
Resduo
Total
GL
SQ
2 14,80
14
QM
7,40
78,40
Mdias de tratamentos:
1 = 128,6
m
2 = 128,4
m
3 = 130,6
m
4.7. Os seguintes dados referem-se a ganhos de peso, em kg, de animais durante um

perodo experimental.
Raes
A
B
C
D
E
1
7,1
6,2
6,0
11,1
7,0
Repeties
2
3
8,9
6,0
8,8
4,9
5,0
9,1
10,8
10,2
11,3
10,0
4
7,0
6,1
3,9
11,9
11,7
Totais
29,0
26,0
24,0
44,0
40,0
163,0
Tais dados so descritos segundo o modelo estatstico: Yij = m + ti + eij. Baseando nas
informaes fornecidas, pede-se:
4.7.1. Proceda a anlise de varincia dos dados (use = 5%)
4.7.2. De acordo com o resultado do teste F, pode-se concluir que existe efeito
significativo de raes com relao ao ganho de peso mdio proporcionado pelas
mesmas?
4.7.3. Proponha um contraste que compare as raes B e C juntas contra as
raes D e E. Obtenha a estimativa para este contraste.
4.7.4. Calcule o coeficiente de variao e interprete-o.
44
Cap 5 Comparaes Mltiplas

____________________________________________________________________
5. Procedimentos para Comparaes Mltiplas

5.1. Introduo
O fator ou fatores em avaliao em um experimento podem ser classificados como
qualitativo ou quantitativo. Um fator quantitativo aquele onde cada nvel descrito por
uma quantidade numrica em uma escala. Como exemplos tem-se temperatura, umidade,
concentrao de um princpio ativo, nveis de insumo, pH, etc ... Para estudar o efeito
deste tipo de fator recomenda-se realizar uma anlise de regresso, assunto que ser
abordado no Captulo 10.
Por outro lado, um fator qualitativo aquele onde os nveis diferem por algum
atributo qualitativo. Como exemplos tm-se variedades, tipos de defensivos, mtodos de
conduzir uma determinada tarefa, etc. Para estudar o efeito deste tipo de fator, deve-se
proceder anlise de varincia dos dados e, se for conveniente, proceder s
comparaes entre as mdias dos nveis do fator usando algum dos procedimentos para
comparaes mltiplas descritos neste captulo.
A anlise de varincia, conforme visto no captulo anterior, serve para verificar se
existe alguma diferena significativa entre as mdias dos nveis de um fator a um
determinado nvel de significncia. Se o teste F para a fonte de variao que representa o
fator em estudo for no-significativa, ou seja, a hiptese de nulidade (Ho: m1 = m2 = ... =
mI) no for rejeitada, todos os possveis contrastes entre mdias de tratamentos so
estatsticamente nulos. Neste caso, no necessrio a aplicao de nenhum
procedimento de comparaes mltiplas.
Por outro lado se o teste F for significativo, ou seja a hiptese de nulidade for
rejeitada, implica que existe pelo menos um contraste entre mdias estatisticamente
diferente de zero. Os procedimentos de comparaes mltiplas a serem vistos neste
captulo, visam identificar qual(is) (so) esse(s) contraste(s), para podermos por
conseqncia identificarmos qual(is) (so) o(s) nvel(is) do fator em estudo que
apresentou(ram) maior(es) mdia(s).
Dentre os diversos testes existentes na literatura, sero vistos os quatro testes mais
comumente utilizados. 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 possveis contrastes entre duas mdias dos
nveis do fator em estudo
a) Teste de Tukey
b) Teste de Duncan
2a) Prodedimentos para testar todos os possveis contrastes entre mdias dos nveis
do fator em estudo
a) Teste t de Student
b) Teste de Scheff
Todos os procedimentos se baseiam no clculo de uma diferena mnima
significativa (dms). A dms representa o menor valor que a estimativa de um contraste
deve apresentar para que se possa consider-lo como significativo. Por exemplo, para
um contraste entre duas mdias, a dms representa qual 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.
45

____________________________________________________________________
A princpio um determinado contraste, por exemplo, entre duas mdias poderia ser
testado por cada um dos procedimentos aqui apresentados. A concluso a respeito da
significncia do contraste pode variar de um procedimento para outro, pois o valor da dms
varia de um teste para outro, pois cada um se baseia numa distribuio de probabilidades
especfica. Devido a esta possibilidade na diferena de concluses a respeito da
significncia do contraste, ns podemos dizer que um teste mais conservador (ou
rigoroso) que o outros. Na estatstica dizemos que um teste mais conservador que o
outro quando a dms dele maior, pois ele tende a conservar a hiptese de igualdade
entre mdias como verdadeira. Isto porque quanto maior a dms mais difcil se torna
rejeitar a hiptese de nulidade.
Este maior ou menor conservadorismo de um teste pode ajudar o pesquisador a
escolher um procedimento de comparao mltipla. Se por exemplo, por experincia
prpria o pesquisador sabe que as diferenas entre os efeitos dos nveis do fator em teste
so pequenas e ele deseja detectar estas pequenas diferenas, ento ele deve usar um
procedimento menos conservador, ou seja, que apresenta uma menor dms. Se por outro
lado, ele quer concluir que os nveis do fator tm efeitos diferentes somente quando a
diferena nos seus efeitos for realmente grande, ento ele deve usar um teste mais
conservador, ou seja, com maior dms.
Vamos ver a partir de agora cada procedimento com mais detalhe. Considere para
tanto, que estamos interessados em comparar as mdias dos I nveis de um fator
qualitativo, as quais foram obtidas a partir da realizao de um experimento no
delineamento inteiramente casualizado com J repeties, para o qual o teste F para fator
foi significativo; e que o nmero de graus de liberdade para o fator em estudo foi igual a n1
e para o resduo foi igual a n2, ou seja,
FV
Fator
Resduo
Total
GL
I-1
I(J-1)
IJ - 1
SQ
SQFator
SQRes
SQTotal
QM
QMTrat
QMRes
F
significativo
5.2. Alguns Procedimentos Para Comparaes Mltiplas

Dentre vrios procedimentos existentes para comparaes mltiplas, sero
apresentados quatro: teste de Tukey, teste de Duncan, teste t de Student e teste de
Scheff.
Teste de Tukey
O teste de Tukey, pode ser utilizado para comparar a totalidade dos contrastes entre
duas mdias, ou seja, para os I(I1)/2 contrastes do tipo C=mi mu; para 1 i < u I, em
que I o nmero de nveis do fator em estudo. Este teste baseia-se na diferena mnima
significativa (d.m.s.) representada por e dada por:
1
=q
VC
2
em que,
q = q (I, n 2 ) o valor tabelado da amplitude total estudentizada, que obtido em
()
funo do nvel de significncia do teste, nmero de nveis do fator

em estudo (I) e nmero de graus de liberdade do resduo (n2) da
anlise de varincia.
46

____________________________________________________________________
()
= QMRe s 1 + 1
V C
r r
u
i
No caso em que todos os tratamentos apresentaram o mesmo nmero de repeties,

ou seja, ri = ru = K, o valor de simplificado com a seguinte expresso
=q
QM Re s
K
Para a realizao do teste Tukey,a um nvel de significncia , necessrio:

1. enunciar as hipteses: H0: C = 0 vs Ha: C 0, em que C = mi mu, para i u;
=m
i m
u , com base nos valores
2. obteno das estimativas dos contrastes, C
amostrais;
3. clculo do ;
4. concluir a respeito da significncia dos I(I1)/2 contrastes em teste, usando a
, rejeita-se H ; caso contrrio, no se rejeita H . Neste
seguinte relao: se C
0
0
caso, indicar as mdias iguais, seguidas por uma mesma letra.
Consideraes:
1. O teste de Tukey vlido para a totalidade dos contrastes de duas mdias.
2. O teste de Tukey exige, em princpio, balanceamento. Mas, no caso dos tratamentos
apresentarem nmeros de repeties diferentes, o resultado obtido por este teste
apenas uma aproximao.
3. O teste de Tukey exato para testar a maior diferena, nos demais casos
conservador.
Teste de Duncan
Tal como o teste de Tukey, o teste de Duncan um procedimento seqencial,
vlido para a totalidade dos contrastes de duas mdias do tipo C = mi mu. O teste de
Duncan necessita a prvia ordenao das mdias, dos nveis do fator em estudo. Este
teste baseia-se na amplitude total mnima significativa (D i ) dada por:
Di = z i
()
1
VC
2
em que,
z i = z (n, n 2 ) o valor tabelado da amplitude total estudentizada, que obtido em
funo do nvel de probabilidade, nmero de mdias ordenadas
abrangidas pelo contraste entre os nveis do fator em estudo (i) e
nmero de g.l. do resduo da ANOVA (n2). Como se trata de um
processo seqencial, n1 varia seu valor durante a aplicao do teste;
= QM Re s 1 + 1
V C
r r
u
i
No caso em que todos os tratamentos apresentaram o mesmo nmero de repeties,
ou seja, ri = ru = K, o valor de Di simplificado com a seguinte expresso
()
D =z
i
i
QM Re s
K
47

____________________________________________________________________
Para a realizao do teste Duncan a um nvel de significncia necessrio:
1. enunciar as hipteses: H0: C = 0 vs Ha: C 0, em que C = mi mu, para i u;
2. ordenar as mdias do fator em estudo em ordem crescente ou decrescente;
3. obter o valor da estimativa do contraste entre a maior e a menor mdia, com base
nos valores amostrais;
4. calcular o valor de Di , com base no nmero de mdias ordenadas abrangidas pelo
contraste. Neste primeiro passo i= I;
5. concluir a respeito da significncia do contraste em teste, usando o seguinte critrio:
a) Se o valor de D i for maior do que o mdulo da estimativa do contraste, no
rejeita-se H 0 e as mdias so ligadas por um trao, indicando que no h
diferena entre elas;
b) Caso contrrio, reduzir de uma unidade o valor de n1. Calcula-se o novo valor de
D i e, para todos os pares de mdias que no estejam ligadas por um mesmo
trao e que envolvem n1 mdias, repetir o procedimento que consta no item 3 e
nos seguintes;
6. Proceder ao item 3 e seguintes at que i = 2.
Este teste tem como inconveniente, alm de ser um teste trabalhoso, o fato das mdias
ordenadas no serem independentes e o valor de zi em conseqncia, no ser exato.
Consideraes:
1. O teste Duncan um procedimento seqencial vlido para a totalidade dos
contrastes de duas mdias.
2. Tal como o teste de Tukey, o teste de Duncan exige, em princpio, balanceamento.
Mas, no caso de serem diferentes os nmeros de repeties este teste pode ainda
ser usado, mas ento apenas aproximado.
3. Quando a maior mdia no diferir significativamente da menor, no se admitir
diferena significativa, entre as mdias intermedirias.
Teste t de Student
O teste t pode ser utilizado para testar contrastes envolvendo duas ou mais mdias.
Porm este teste exige que:
1. as comparaes a serem realizadas sejam escolhidas a priori, ou seja, antes de
serem examinados os dados;
2. podem-se testar no mximo, tantos contrastes quantos so os graus de liberdade
para tratamentos, e estes contrastes devem ser ortogonais.
A ortogonalidade entre os contrastes indica independncia linear na comparao
estabelecida por um contraste com a comparao estabelecida pelos outros contrastes.
Entre I mdias de um fator, podem ser obtidos I 1 contrastes ortogonais.
Consideremos um contraste de mdias, entre os nveis de um fator, em sua forma
geral:
C = a1m1 + a 2m 2 + ... + a ImI
do qual obtemos a estimativa por meio do estimador
=a m
+a m
+ ... + a m
,
C
1
que pode ser testada pelo teste t, calculando-se a estatstica t, dada por.
48

____________________________________________________________________
t=
C
C
=
)
V(C
C
C
a i2
QMRe s
i=1 ri
I
que tem distribuio t de Student com n2 graus de liberdade, sendo n2 o nmero de

graus de liberdade do resduo e QMResduo o quadrado mdio residual da anlise de
varincia.
Caso o nmero de repeties seja o mesmo para todos os tratamentos, ou seja
r1=r2=...=rI=K, ento a frmula para a aplicao do teste t
C
C
t=
QM Re s I 2
ai
K
i=1
Quando aplicamos o teste t a um contraste, C, geralmente o interesse testar as
hipteses: H0: C = 0 vs Ha: C 0.
O valor tabelado de t obtido por ttab=t (n2).
A regra de deciso, neste caso, a seguinte:
Se |t| ttab rejeita-se H 0 .
Caso contrrio no se rejeita H 0 .
Consideraes:
1. O nvel de significncia vlido para um nico contraste, e no para uma srie
deles;
2. O nvel de significncia vlido somente se o contraste for estabelecido a priori e
no sugerido pelos dados, pois, pode ficar caracterizado uma estatstica de ordem
ao querer comparar a maior com a menor mdia, o que acarretaria certa
dependncia entre as mdias.
Teste de Scheff
Este teste pode ser aplicado para testar todo e qualquer contraste entre mdias,
mesmo quando sugerido pelos dados. freqentemente utilizado para testar contrastes
que envolvam grupos de mdias. um teste mais conservador que o teste t, porm no
exige que os contrastes a serem testados sejam ortogonais e nem que estes contrastes
sejam estabelecidos antes de se examinar os dados.
Se o valor de F obtido no for significativo, nenhum contraste poder ser significativo
pelo teste de Scheff, e sua utilizao no se justifica.
A estatstica do teste, denotada por S, calculada por:
)
S = (I 1)F V(C
tab
em que,
I = o nmero de nveis do fator em estudo;
Ftab = F(I-1;n2) o valor tabelado de F, obtido em funo do nvel de
probabilidade, nmero de graus de liberdade do fator em estudo, ou
seja I-1, e nmero de graus de liberdade do resduo, ou seja n2;
2
I
) = QMRe s a i
V(C
i =1 ri
49

____________________________________________________________________
Caso o nmero de repeties seja o mesmo para todos os tratamentos, ou seja,
r1=r2=...=rI=K, ento a frmula para a aplicao do teste Schheff
S = (I 1)Ftab
QM Re s I 2
ai
K
i=1
Deve-se ento, calcular a estimativa do contraste C, ou seja,

=a m
C
1 1 + a 2 m 2 + ... + a ImI
| S, dizemos que o contraste significativamente diferente
Se verificarmos que | C
de zero ao nvel de probabilidade, indicando que os grupos de mdias confrontados no
contraste diferem entre si a esse nvel de probabilidade.
Consideraes:
1. O teste de Scheff vlido para a totalidade dos contrastes.
2. Para testar um nico contraste, ou para testar um nmero pequeno deles, o teste de
Scheff bastante rigoroso.
5.3. Vantagens e Desvantagens dos Procedimentos Para

Comparaes Mltiplas
O teste t no recomendado para testar todas as possveis comparaes entre
mdias de um experimento, pois este teste aponta pequenas diferenas como
significativas. O procedimento de Duncan tambm sensitivo, no sentido de declarar
pequenas diferenas como significativas. Para estes dois testes, Duncan e t, o nvel de
significncia conjunto para um grande nmero de comparaes elevado. Quando so
utilizados para esta finalidade, estes testes podem apontar como significativos contrastes,
quando na verdade estes contrastes so no-significativos. Neste acaso o erro tipo I
tende a ocorrer mais frequentemente do que o estabelecido pelo nvel de significncia do
teste.
O teste de Tukey bastante rigoroso no sentido de apontar diferenas significativas.
Este teste til quando se deseja informaes preliminares a respeito das diferenas
entre os efeitos dos nveis de um fator. O procedimento de Scheff ainda mais rigoroso
que o Tukey para comparar pares de mdias.
Para a comparao de um nmero grande de mdias, no h um procedimento
ideal. Testes como Tukey ou Scheff, tornam-se extremamente rigorosos, pois o nvel de
significncia conjunto para a maioria dos contrastes muito menor do que o estabelecido.
O inverso ocorre com o teste t e Duncan.
5.4. Exerccios
5.1. Aplique os testes Tukey e Duncan, aos exemplos dados ao final da apostila do
Captulo de Delineamento Inteiramente Casualizado.
5.2. Para os dados fornecidos a seguir, conclua pelo teste Duncan e Tukey ( = 5 %) .
1 = 370
m
D 6 = 31
2 = 338
m
D 5 = 30,2
3 = 380
m
D 4 = 28,7
4 = 320
m
D 3 = 26
5 = 325
m
D 2 = 24,6
6 = 367
m
= 33
50

____________________________________________________________________
5.3. Aplicar o teste de Duncan s comparaes mltiplas obtidas com as mdias dos
tratamentos instalados em um experimento segundo o Delineamento Inteiramente
Casualizado (DIC).Concluir para = 5% de probabilidade.
T1 = 452,16 T2 = 481,80 T3 = 442,56 T4 = 469,52 T5 = 439,48
T6 = 461,6
SQTratamen to = 331,8677
SQTotal = 783,4964
r=4
5.4. Um experimento para avaliar a influncia de 4 tipos de aleitamento no ganho de peso

de leites foi conduzido utilizando-se o delineamento inteiramente casualizado com 4
repeties. Foram obtidos os seguintes resultados parciais:
Tratamentos
Totais
1
37,2
2
44,8
3
31,6
4
32,8
FV
Tratamento
Resduo
Total
GL
SQ
26,76
QM
33,82
Complete o quadro da ANOVA e, considerando-se = 1%, responda qual(is) o(s)

melhor(es) tipo(s) de aleitamento. (Use o teste de Tukey, se necessrio)
5.5. Com o objetivo de verificar se existe diferena, no tempo mdio gasto para ir de 0100 km/h, entre 5 marcas de carro de mesma categoria, 4 carros de cada marca foram
escolhidos inteiramente ao acaso da linha de produo de cada marca e avaliados em
uma pista de provas apropriada. Os resultados obtidos, em segundos, foram:
1
12
11
11
13
2
12
10
10
11
Marcas
3
8
7
8
6
4
12
12
10
11
5
13
14
15
13
Usando o nvel de 5% de probabilidade

a. Existe de diferena significativa entre as marcas de carro quanto ao tempo mdio gasto
para ir de 0-100 km/h?
b. Qual(is) (so) a(s) marca(s) mais lenta(s) para ir de 0-100 km/h, pelo teste de
Duncan?
c. Qual(is) (so) a(s) marca(s) mais rpida(s) para ir de 0-100 km/h, pelo teste de
Tukey?
d. 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
mdio e aqueles produzidos pelas marcas 4 e 5 como de custo alto. Suponha tambm
que este experimento tinha como objetivos verificar se existe diferena no tempo mdio
para ir de 0-100 km/h entre: 1) os carros de custo alto e os demais carros; 2) entre os
carros de custo mdio e os de custo alto; 3) os carros de custo mdio; e 4) os carros de
51

____________________________________________________________________
custo baixo. Utilize os testes de Scheff e de t para verificar se estas comparaes so
significativas.
5.6. Quatro padarias da cidade de So Paulo, foram fiscalizadas para verificar a
quantidade de bromato de potssio existente nos pes franceses que elas produzem.
Com esta finalidade foi tomada uma amostra de pes, inteiramente ao acaso, de cada
padaria e para cada um deles foi avaliado o teor de bromato de potssio (mg de bromato
de potssio/1kg de po). O resumo da avaliao fornecido a seguir:
Padaria
Teor mdio
Nm. de pes avaliados
1
10
7
2
11
8
3
8
7
4
9
8
SQResduo = 52
Usando o nvel de 5% de probabilidade
a. Pode-se concluir que existe diferena significativa no teor mdio de bromato de
potssio no po entre as padarias avaliadas?
b. Suponha que as padarias 1 e 2 suprem a classe social A, a padaria 3 a classe B e a 4 a
classe C. Verifique, por meio de um contraste, pelo teste de Scheff e pelo teste t, se
existe diferena no teor mdio de bromato de potssio entre as padarias que suprem as
classes A e C.
5.7. Com os dados fornecidos a seguir oriundos de um experimento instalado no DIC com
4 repeties, para o qual o teste F da ANOVA para tratamentos foi significativo, aplicar o
teste de Duncan e o teste de Tukey para se concluir qual(is) tratamento(s)
apresentou(aram) maior(es) mdia(s) ao nvel de 5% de probabilidade.
SQResduo = 905,6790
T1 = 813,44
T2 = 729,52
T3 = 786,32
T4 = 661,52
T5 = 755,44
T6 = 612,50
52
Cap 6 Delineamento em Blocos Casualizados

_____________________________________________________________________
6. Delineamento em Blocos Casualizados

6.1. Introduo
O principal objetivo do planejamento e execuo de um experimento apontar
diferenas significativas entre os efeitos os nveis de um fator em avaliao. Inicialmente
isto realizado mediante o teste F para o fator. Se o teste F for no-significativo,
conclumos que os efeitos so estatisticamente iguais e nada mais precisa ser feito. Por
outro lado, se o teste F for significativo, conclumos que existe diferena significativa nos
efeitos dos niveis do fator. O passo seguinte seria o uso de um procedimento de
comparaes mltiplas para identificar quais nveis dos fatores proporcionam efeitos
significativamente diferentes entre si do ponto de vista estatstico.
Tal como o teste F, todos os procedimentos de comparao mltipla tem como
base para o clculo do valor da diferena mnima significativa a estimativa da
variabilidade associada ao efeito do erro experimental, a qual conhecida como
Quadrado Mdio do Resduo (QMRes). Sendo assim fica fcil entender que, para o
pesquisador conseguir atingir o seu objetivo, apontar diferenas significativas entre os
efeitos de nveis do fator, ele deve planejar e executar o seu experimento de tal forma que
a influncia do erro experimental seja a menor possvel.
O delineamento inteiramente casualizado pressupe para ser utilizado que, as
unidades experimentais sejam e estejam durante todo o experimento em condies
ambientais completamente homogneas. Caso o pesquisador perceba que algum fator
perturbe a homogeneidade das unidades experimentais ou nas condies ambientais que
as mesmas vo estar sujeitas durante o experimento, necessrio que o pesquisador
controle o efeito deste fator pertubador. Entenda-se aqui fator pertubador como uma fonte
de variao indesejvel entre as unidades experimentais ou nas condies ambientais.
Um exemplo seria a situao em que um pesquisador deseja comparar o efeito de
analgsicos em cobaias. No entanto as cobaias no so de mesma idade. Se o
pesquisador achar que a idade da cobaia pode influenciar na avaliao dos analgsicos,
ele deve controlar o efeito do fator pertubador idade.
O controle do efeito do fator pertubador feito pela formao de grupos, ou seja,
blocos de unidades experimentais homogneas e fazendo com que todos os nveis do
fator em estudo sejam avaliados em cada nvel do fator pertubador, ou seja, em cada
bloco de unidades homogneas. No delineamento em blocos casualizados (DBC), a
distribuio ao acaso dos nveis do fator em estudo s unidades experimentais, sofre a
restrio de ser feita dentro de cada bloco. Portanto o DBC faz uso dos trs princpios
bsicos da experimentao: repetio, casualizao e controle na casualizao. Vale
lembrar que no delineamento inteiramente casualizado (DIC), no existe nenhuma
restrio na casualizao, uma vez que os nveis do fator em estudo so distribudos
inteiramente ao acaso em relao a todas unidades experimentais.
Em experimentos instalados segundo o DBC, espera-se que as condies
experimentais de um bloco sejam diferentes das condies experimentais do outro bloco
e que haja homogeneidade das condies experimentais dentro de cada bloco.
Se um pesquisador instala o seu experimento segundo o DBC, o efeito do fator
perturbador controlado sendo portanto possvel quantificar o seu efeito e eliminar tal
efeito na anlise estatstica dos dados experimentais. Caso o pesquisador no controle o
efeito do fator perturbador por meio da formao de blocos de unidades experimentais
homogneas e controle na casualizao, o efeito do fator pertubador absorvido pelo
erro experimental. Tal absoro tende a provocar um aumento no valor do QMRes, o que
53

_____________________________________________________________________
pode acarretar em no identificar nenhuma diferena nos efeitos dos tratamentos, quando
de fato uma ou mais diferenas possam existir.
No entanto, a instalao de um experimento no DBC quando o mesmo no
necessrio, pode implicar na perda de eficincia do experimento, pois quando se instala
um experimento no DBC com J blocos, quando na verdade o DIC seria suficiente, so
perdidos (J-1) graus de liberdade para o resduo. No DBC o no de graus de liberdade para
o resduo menor. Conseqente o F tabelado maior. Portanto maior dever ser a
diferena entre os efeitos dos nveis do fator para que tais diferenas atinjam significncia
estatstica.
6.2. Quadro de tabulao dos dados

A ttulo de exemplo, considere um experimento instalado no DBC com I tratamentos
e J repeties (blocos). A coleta de dados da pesquisa pode ser resumida, num quadro do
tipo a seguir:
Blocos
1
2
...
J
1
Y11
Y12
...
Y1J
Totais
T1
Tratamentos
2
...
...
Y21
...
Y22
...
...
...
Y2 J
...
T2
I
YI1
YI2
...
YIJ
TI
Totais
B1
B2
...
BJ
G
Deste quadro pode-se retirar algumas informaes de interesse:

-
n de unidades experimentais: N = I x J;
Total geral: G =
I,J
i =1, j =1
ij
= Ti = B j = Y ;
i =1
j =1
Total para o tratamento i: Ti = Yij = Yi ;

j =1
Total para o bloco j: B j = Yij = Y j ;

i =1
i =
mdia para o tratamento i: m
j =
mdia para o bloco j: m
=
mdia geral do experimento: m
Bj
I
Ti
;
J
G
.
IJ
6.3. Modelo Estatstico

Para o DBC o modelo estatstico :
Yij = m + t i + b j + e ij
em que,
Yij o valor observado para a varivel em estudo referente ao tratamento i no
bloco j,
54

_____________________________________________________________________
m mdia de todas as unidades experimentais para a varivel em estudo.
t i o efeito do particular tratamento i no valor observado Yij :
t i = mi m
b j o efeito do bloco j no valor observado Yij :
bj = mj m
e ij o erro associado a observao Yij :
e ij = Yij + m m i m j

Para realizar a anlise dos dados obtidos de um experimento instalado segundo o
DBC, deve-se decompor a variao total que existe entre todas as observaes nas
partes que a compe. Neste tipo de delineamento, a decomposio feita da seguinte
forma:
SQTotal = SQTratamentos + SQBlocos + SQResduo
conforme demonstrado a seguir.
Considere o modelo estatstico 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 , tem-se:
Yij m = (m i m) + (m j m) + e ij ,
substituindo m m i , m j e e ij por seus estimadores tem-se:

= (m
i m
) + (m
j m
) + e ij ,
Yij m
elevando ambos os membros ao quadrado
(Yij m)2 = (mi m) + (m j m) + e ij 2 ,
aplicando somatrio
(Y
I,J
i=1, j=1
(Y
I,J
i=1, j=1
ij
) =
m
2
ij
)2 =
m
[(m
I,J
i =1, j =1
) + (m
j m
) + e ij
m
2
2
2
(mi m) + (m j m) + e ij + duplos produtos
I,J
I,J
I,J
I,J
i=1, j=1
i=1, j=1
i=1, j=1
i=1, j=1
Ou seja:
I,J
SQTotal = SQTratamentos + SQBlocos + SQResduo +
duplos produtos
i=1, j=1
I,J
pode-se verificar que:
duplos produtos = 0 .
i =1, j =1
Por meio das frmulas obtidas no desenvolvimento anterior, pode-se obter os

valores para as respectivas somas de quadrados. No entanto, essas frmulas so muito
trabalhosas para se obter tais valores.
So fornecidas a seguir, frmulas mais prticas para se obter as somas de
quadrados.
55

_____________________________________________________________________
SQTotal =
I,J
i =1, j =1
Yij
I,J
Yij
i =1, j =1
IJ
I,J
Yij
I
Ti2 i =1, j =1
SQTratamen tos =
IJ
i =1 J
I,J
Yij
2
J B
j
i =1, j =1
SQBlo cos =
IJ
j =1 I
SQResduo = SQTotal - SQTratamentos - SQBlocos

Estas frmulas prticas so deduzidas a partir das somas de quadrados, obtidas no
desenvolvimento anterior, mediante o desenvolvimento do quadrado do binmio,
aplicao dos somatrios a todos os termos e substituio de cada uma das mdias pelo
quociente do total pelo n de observaes que origina cada total. As dedues so
semelhantes quelas apresentadas no captulo de Delineamento Inteiramente
Casualizado.
O quadro da ANOVA para a anlise de um experimento instalado segundo o DBC
do seguinte tipo:
FV
Blocos
GL
(J-1)
SQ
SQBlocos
Tratamentos
(I-1)
SQTratamentos
QM
SQTrat
F
QMTrat
I1
SQ Re s
QM Re s
Resduo
(I-1)(J-1)
SQResduo
(I 1)(J 1)
Total
IJ - 1
SQTotal
Geralmente, o que interessa na anlise de um experimento, avaliar se existe

diferena entre os tratamentos, o que pode ser verificado por meio do teste F para
tratamentos.
As hipteses para o teste F da anlise de varincia para tratamentos so as
seguintes:
H 0 : m1 = m 2 =...= m I = m , o que equivale a dizer que todos os possveis contrastes entre
mdias de tratamentos, so estatisticamente nulos, ao nvel de probabilidade que foi
executado o teste.
H a : n~
ao H 0 , o que equivale a dizer que existe pelo menos um contraste entre mdias,
estatisticamente diferente de zero, ao nvel de probabilidade que foi realizado o teste.
O teste F para blocos, ou seja, comparao entre blocos, geralmente
desnecessria, pois ao instalar o experimento no DBC, o pesquisador utilizou os blocos
para controlar uma causa de variao conhecida.
Nos casos em que a variao entre blocos duvidosa, o pesquisador pode realizar o
teste F para blocos, para servir como orientao para a instalao de futuros
experimentos.
56

_____________________________________________________________________
6.5. Exerccios
6.1. Os dados abaixo, se referem a um experimento instalado segundo o DBC, em que os
tratamentos, 5 produtos comerciais para suprir deficincia de micronutriente em caprinos,
foram fornecidos aos animais os quais foram separados em 3 grupos segundo a idade.
Os resultados obtidos, expressos em ppm de micronutriente/ml de sangue, foram os
seguintes:
Bloco
1
2
3
Totais
1
83
63
55
201
Produtos comerciais
2
3
4
86
103
116
69
79
81
61
79
79
216
261
276
5
132
98
91
321
Totais
520
390
365
1275
Pede-se proceder a ANOVA e aplicar o teste Tukey e Duncan, usando o nvel de

5% de probabilidade.
6.2. Com a finalidade de aumentar a produo de l de suas ovelhas, por meio de uma
alimentao mais apropriada um criador separou 28 ovelhas de sua criao. Como as
ovelhas eram de idades diferentes, dividiu-as em 7 grupos, sendo que dentro de cada um
destes grupos havia 4 ovelhas de mesma idade e homogeneidade para as demais
caractersticas. Dentro de cada grupo foi realizado um sorteio para distribuir ao acaso, os
4 Tipos de Alimentao (TA) s ovelhas do grupo. O experimento se iniciou logo aps as
ovelhas terem sido submetidas a uma tosquia e se encerrou quando j era o momento de
se realizar uma nova tosquia da qual foram obtidos os seguintes resultados, expressos
em unidade de medida de l por animal:
TA
1
2
3
4
Totais
1
30
29
43
23
125
2
32
31
47
25
135
grupos
3
4
5
33
34
29
34
31
33
46
47
48
21
19
20
134
131
130
6
30
33
44
21
128
7
33
29
47
22
131
Totais
221
220
322
151
914
Com base nas informaes anteriores, pede-se ( = 1% ):

a) Qual o tipo de delineamento experimental que o criador utilizou? Justifique sua
resposta.
b) Existe diferena entre os tipos de alimentao fornecidos s ovelhas com
relao a produo de l?
c) Com base no teste Tukey, qual(is) seria(m) o(s) tipo(s) de alimentao a ser(em)
recomendada(s) s ovelhas?
57

_____________________________________________________________________
6.3. Um experimento no DBC com 4 repeties forneceu os dados abaixo:
Blocos
Tratamento
1
2
3
4
5
Total
1
142,36
139,28
140,73
150,88
153,49
726,74
2
144,78
137,77
134,06
135,83
165,02
717,46
3
145,19
144,44
136,07
136,97
151,75
714,42
4
138,88
130,61
144,11
136,36
150,22
700,18
Total
571,21
552,10
554,97
560,04
620,48
2858,80
Para o nvel de 5% de significncia, pede-se:

a) ANOVA
b) Teste Tukey
c) Teste Duncan
d) Aplicar o teste Scheff 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
6.4. O resumo da Anlise de Varincia de um experimento instalado segundo o
Delineamento em Blocos Casualizados, para verificar se existe diferena entre 5 tipos de
Levedura na produo de cerveja, fornecido a seguir:
FV
Blocos
Tratamentos
Resduo
Total
GL
3
QM
---
F
---
4,895
Totais de Tratamentos:
T1 = 12,0
T2 = 25,2
T3 = 22,0
T4 = 24,0
T5 = 45,6
Ao nvel de 5% de probabilidade, pede-se:

a)Existe diferena entre os 5 tipos de Levedura, na produo de cerveja?
b)Pelo teste Tukey, qual(is) o(s) tipo(s) de Levedura que apresentou(aram) maior
produo?
c)Pelo teste Duncan, qual(is) o(s) tipo(s) de Levedura que apresentou(aram) menor
produo?
6.5. Um Engenheiro-Agrcola, com o objetivo de verificar qual tipo de pneu que
proporciona menor consumo de combustvel, para trabalhar em terrenos encharcados,
testou 4 diferentes tipos de pneus. Como a rea que dispunha para realizar o experimento
era heterognea com relao declividade, ele subdividiu a rea total em 3 sub-reas de
tal forma que dentro de cada uma delas existia uniformidade com relao declividade.
Aps isto, dentro de cada sub-rea realizou um sorteio ao acaso, dos tipos de pneus s
unidades experimentais. Com a realizao da pesquisa, obteve-se os seguintes
resultados de consumo expressos em litros/hora trabalhada.
58

_____________________________________________________________________
Pneu
Sub-reas
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 informaes fornecidas acima, pede-se (use o nvel de 5% de

significncia, quando necessrio).
a)Quais foram os Princpios Bsicos da Experimentao utilizados neste
experimento? Justifique sua resposta.
b)Qual foi o tipo de delineamento experimental utilizado pelo Engenheiro-Agrcola?
Justifique sua resposta.
c)Em termos do consumo, conclua com relao aos tipos de pneus, por meio de
uma anlise de varincia.
d)Qual tipo de pneu que proporciona o pior consumo? Use o teste Duncan, se
necessrio.
6.6. Suponha que algum solicite sua ajuda, na aplicao de testes de mdias aos dados
de um experimento, instalado segundo o DBC com 4 repeties, para o qual o F da
Anlise de Varincia para tratamentos foi significativo. Para tanto voc recebe as
seguintes informaes:
Tratamentos
1
2
3
Totais
400
440
360
SQResduo=360
= 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 Scheff em C1 e C2. Proceda a aplicao
do teste Scheff de maneira adequada conforme visto em sala de aula.
c)Admita que ele deseja aplicar o teste t em C2 e C3. Proceda a aplicao do teste t
de maneira adequada conforme visto em sala de aula.
d)Obtenha um grupo de contrastes ortogonais a partir apenas de C3, usando o
mtodo do sistema de equaes lineares.
6.7. Um pesquisador foi encarregado de verificar se havia diferena de durabilidade entre
4 tipos de microaspersores presentes no mercado, produzidos por duas fbricas
diferentes, conforme quadro abaixo:
Tratamentos
1
2
3
4
Microaspersor
Tipo A
Tipo B
Tipo C
Tipo nico
Fabricado por
gua Boa S.A.
gua Boa S.A.
gua Boa S.A.
gua Ardente Ltda.
Desconsiderando como o experimento foi conduzido, bem como o tipo de

informao usado na avaliao, considere os seguintes dados, aps uma anlise parcial
dos mesmos:
59

_____________________________________________________________________
F.V.
Tratamentos
Bloco
Resduo
G.L.
3
4
12
Total
19
Q.M.
1760,00
---50,00
Mdias dos Tratos

1 = 36
m
2 = 40
m
3 = 60
m
F
35,2
4 = 40
m
Com base nas informaes acima pede-se: (use =5%)

a)Cada tratamento foi repetido quantas vezes? Justifique sua resposta.
b)Que hiptese estaramos testando pela ANOVA? Qual a sua concluso no
presente caso?
c)Para responder qual o melhor microaspersor, o que deveramos fazer? Apenas
comente rapidamente.
d)Faa um teste ( sua escolha) para saber se h diferena entre os resultados
mdios apresentados pelos microaspersores da fbrica gua Boa S.A. com o
apresentado pelo microaspersor da fbrica gua Ardente Ltda.
6.8. Em um experimento com 5 variedades de batatinhas (A, B, C, D e E), em blocos
casualizados, as produes, em toneladas por hectare, foram:
Blocos
1
2
3
4
Variedades
B
C
D
21
22
15
27
29
11
26
24
10
25
25
12
A
9
13
11
9
E
12
18
18
17
Para o nvel de significncia igual a 5%, 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
6.9. Obtenha o quadro da Anlise de Varincia, proceda ao teste de mdia se necessrio
e conclua para = 1% , considerando os dados do delineamento em blocos casualizados
(DBC), fornecidos a seguir:
T1 = 130,6 T2 = 183,4 T3 = 152,6 T4 = 185,6 T5 = 143,2
4
B
j =1
2
j
= 159.306,92
2
ij
= 32.889,70
i, j
6.10. Um melhorista de plantas instalou um experimento visando selecionar as melhores

prognies para dar continuidade ao seu programa de melhoramento. Na instalao do
experimento, ele verificou que a rea a ser utilizada no era completamente homognea.
Ento dividiu a rea em 4 sub-reas de tal forma que cada uma fosse completamente
homognea e pudesse conter todas as prognies em teste. Aps esta diviso, as
prognies foram distribudas ao acaso dentro de cada sub-rea. Na poca da colheita ele
avaliou a produo de gros por planta (kg/planta), cujos resultados foram:
60

_____________________________________________________________________
Sub-reas
Prognie
1
2
3
4
5
Totais
1
2,7
2,7
2,6
2,6
2,7
13,3
2
2,8
2,5
3,2
3,1
2,8
14,4
3
2,9
2,8
3,0
2,8
2,8
14,3
4
3,3
2,4
3,5
2,5
2,5
14,2
Totais
11,7
10,4
12,3
11,0
10,8
56,2
Com base nestas informaes, pede: (utilize = 5% quando necessrio)

6.10.1. Qual delineamento experimental foi utilizado? Justifique a sua resposta.
6.10.2. Verificar se existe diferena entre as prognies com relao produo. Faa a
ANOVA e aplique o teste de Duncan, se necessrio, concluindo corretamente. (Dado:
SQTotal = 1,5780)
6.11. Uma nutricionista formulou dois novos tipos de dieta (A e B) para diminuir o peso de
pessoas obesas. Desejando verificar qual tipo de dieta proporciona maior perda de peso,
resolveu fazer um teste com os seus pacientes. Com esta finalidade, solicitou que aqueles
que estivessem interessados em participar deste teste se apresentassem como
voluntrios. Um grupo de 8 indivduos apresentou-se para trabalhar com o nutricionista.
No entanto, a nutricionista verificou que naquele grupo de indivduos havia diferentes
faixas de idade, sendo 2 indivduos pertencentes faixa infantil, 2 faixa adolescente, 2
faixa adulta e 2 faixa idosa. Com receio de que a diferena de idade dos indivduos
pudesse diminuir a preciso do seu experimento, a nutricionista resolveu que cada um
dos dois tipos de dieta fosse testado em cada uma das faixas de idade. Para tanto, dividiu
o grupo de 8 indivduos em subgrupos de tal forma que cada subgrupo inclusse
indivduos de mesma faixa de idade. Aps isso, fez a distribuio dos tipos de dieta ao
acaso dentro de cada subgrupo. As perdas de peso (em Kg) obtidas por cada um dos oito
indivduos so fornecidas a seguir:
Dieta
A
B
Totais
Infantil
3
7
10
Faixa de Idade
Adolescente
7
13
20
Adulta
14
22
36
Idosa
8
14
22
Totais
32
56
88
Dado: SQResduo = 4,00

Com base nas informaes fornecidas pede-se:
6.11.1.Qual foi a unidade experimental utilizada?
a) cada faixa de idade
b) cada dieta
c) cada indivduo
d) todos os indivduos
e) os dois tipos de dieta
f) nenhuma das alternativas anteriores
6.11.2. Qual(is) foi(ram) o(s) princpio(s) bsico(s) da experimentao utilizado(s)?
a) repetio e casualizao
b) repetio e controle local
c) casualizao e controle local
61

_____________________________________________________________________
d)
e)
f)
g)
h)
i)
controle local
repetio
casualizao
controle local
repetio, casualizao e controle local
nenhuma das alternativas anteriores
6.11.3 Qual foi o delineamento experimental utilizado?

a) Delineamento em Quadrado Latino
b) Delineamento Inteiramente Casualizado
c) Delineamento em Blocos Casualizados
d) Delineamento em Ltice
e) nenhuma das alternativas anteriores
6.11.4. De acordo com o teste F da anlise de varincia para a fonte de variao dieta,
pode-se concluir ao nvel de 5% de probabilidade que:
a) no existe diferena entre os tipos de dieta
b) o valor de F menor que um e no possvel concluir
c) a dieta B possui a maior mdia
d) nenhuma das alternativas anteriores
6.11.5 Qual o tipo de dieta deveria ser recomendado? Use o teste Duncan e o nvel de 5%
de probabilidade, se necessrio.
a) qualquer uma das dietas
b) todas as dietas
c) nenhuma das dietas
d) a dieta B
e) a dieta A
6.12. Um experimento instalado segundo o Delineamento em Blocos Casualizados
produziu os seguintes resultados:
Tratamentos
Totais
Blocos
Totais
1
125
2
135
1
221
3
134
2
220
4
131
3
322
5
130
4
151
6
128
7
131
Dados:
SQTotal
= 2214,43
SQTratamentos = 2125,29
Com base nas informaes fornecidas, pede-se (use o nvel de significncia de 1%
quando necessrio):
6.12.1. Conclua a respeito dos efeitos de tratamentos, com base na anlise de varincia.
6.12.2. Se so desejados tratamentos que propiciam menores mdias, qual(is)
tratamento(s) deve(m) ser recomendado(s)? Utilize o teste de Tukey, se necessrio. Caso
contrrio, justifique a sua resposta.
6.13. Quatro pesquisadores realizaram um experimento com 4 tratamentos (A, B, C e D) e
5 repeties segundo um delineamento em blocos casualizados (DBC), obtendo-se as
seguintes mdias de tratamentos:
62

_____________________________________________________________________
Tratamentos
Mdias
A
27,8
B
26,0
C
23,8
D
31,4
Dados: QMRes = 1,82; GLRes = 12; F calculado = 28,34 e = 5%.

Os procedimentos adotados por cada um dos quatro pesquisadores foram os
seguintes:
- O pesquisador 1 estabeleceu, a priori, trs contrastes ortogonais com o objetivo de
aplicar, separadamente a cada um deles, o teste de Scheff. Os contrastes foram
os seguintes:
Y1 = 3mA mB mC mD,
Y2 = mB + mC 2mD
Y3 = mB mC
O pesquisador 2 estabeleceu, a priori, os mesmos trs contrastes ortogonais

estabelecidos pelo pesquisador 1, porm com o objetivo de aplicar, separadamente
a cada um deles, o teste t
O pesquisador 3 estabeleceu seis contrastes entre duas mdias (Y3 = mB mC Y4 =

mA mB, Y5 = mA mC, Y6 = mA mD, Y7 = mB mD e Y8 = mC mD), com o
objetivo de aplicar, separadamente a cada um deles, o teste de Tukey
O pesquisador 4, aps observar os dados, estabeleceu o seguinte contraste:

Y9 = mA + mB mC mD.
No entanto, os pesquisadores 1, 2 e 3, utilizando um mesmo valor para o nvel de

significncia, apresentaram divergncias com relao aos resultados das anlises
estatsticas para a caracterstica estudada, conforme mostrado a seguir:
O pesquisador 2 obteve uma concluso diferente da encontrada pelo pesquisador
1, em relao ao contraste Y3
- O pesquisador 3 obteve uma concluso diferente da encontrada pelo pesquisador 2
em relao ao contraste Y3
Pede-se:
6.13.1 Com base na diferena das concluses encontradas pelos pesquisadores 1 e 2 em
funo da utilizao de testes diferentes, marque a alternativa correta e justifique a sua
resposta.
a) O procedimento adotado pelo pesquisador 1 est correto e o procedimento
adotado pelo pesquisador 2 est errado
b) O procedimento adotado pelo pesquisador 2 est correto e o procedimento
c) Ambos os procedimentos adotados pelos pesquisadores 1 e 2 esto corretos
d) Ambos os procedimentos adotados pelos pesquisadores 1 e 2 esto errados.
6.13.2. Com base na diferena das concluses encontradas pelos pesquisadores 2 e 3
em funo da utilizao de testes diferentes, marque a alternativa correta e justifique a
sua resposta.
a) O procedimento adotado pelo pesquisador 2 est correto e o procedimento
b) O procedimento adotado pelo pesquisador 3 est correto e o procedimento
c) Ambos os procedimentos adotados pelos pesquisadores 2 e 3 esto corretos
63

_____________________________________________________________________
d) Ambos os procedimentos adotados pelos pesquisadores 2 e 3 esto errados
6.13.3. O procedimento adotado pelo pesquisador 4 foi correto? Se a sua resposta for
afirmativa, aplique o teste de Scheff ao contraste Y9. Se a sua resposta for negativa,
justifique a sua resposta.
6.14. Considere um experimento no delineamento em blocos casualizados, com 4
tratamentos e 3 repeties, para o qual o teste F para a fonte de variao tratamentos foi
significativo ao nvel de 5% de probabilidade. Baseando-se nestas informaes, pede-se:
6.14.1 Qual a frmula geral dos contrastes a serem testados pelo teste de Tukey? Qual
o nmero mximo de contrastes a serem testados pelo teste de Tukey?
6.14.2. Suponha que para este experimento, a diferena mnima significativa de Tukey foi
igual a 10, ou seja = 10. Usando-se este , o seguinte resultado foi obtido para as
comparaes de mdias de tratamentos
1 = 100 a
m
4 = 92 ab
m
3 = 88
m
bc
2 = 79
m
c
Pode-se observar que as mdias 1 e 4, mdias 4 e 3 e mdias 3 e 2 so

estatisticamente iguais. Deste modo, pode-se concluir que as mdias 1 e 2 so tambm
estatisticamente iguais? Justifique a sua resposta.
6.14.3. Caso dois outros pesquisadores realizassem o mesmo experimento e obtivessem,
respectivamente 1 = 5 e 2 = 20 , pelo teste de Tukey, qual dos dois pesquisadores
obteve maior preciso experimental? Justifique a sua resposta.
6.14.4. Aplique o teste de Tukey s mdias de tratamentos com base no 2 = 20 ,
considerando que o pesquisador 2 obteve as mesmas mdias listadas no item b, com
teste F significativo.
6.14.5. 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, que poderia(m) ser aplicado(s) a
todos estes contrastes? Justifique a sua resposta.
64

_____________________________________________________________________
7. Delineamento em Quadrado Latino

7.1. Introduo
No Delineamento em Quadrado Latino (DQL), alm dos princpios da repetio e
da casualizao, utilizado tambm duas vezes o princpio do controle na casualizao
para controlar o efeito de dois fatores perturbadores que causam variabilidade entre as
unidades experimentais. Para controlar esta variabilidade, necessrio dividir as
unidades experimentais em blocos homogneos de unidades experimentais em relao a
cada fator perturbador. O nmero de blocos para cada fator perturbador deve ser igual ao
nmero de tratamentos. Por exemplo, se no experimento esto sendo avaliados I
tratamentos, deve ser formado para cada fator perturbador I blocos e cada um destes
blocos deve conter I unidades experimentais. Ao final so necessrios I2 unidades
experimentais. Cada uma destas I2 unidades experimentais classificada segundo cada
um dos dois fatores perturbadores.
Uma vez formados os blocos, distribui-se os tratamentos ao acaso com a restrio
que cada tratamento seja designado uma nica vez em cada um dos blocos dos dois
fatores perturbadores.
Geralmente, na configurao de um experimento instalado segundo o DQL, os nveis
de um fator perturbador so identificados por linhas em uma tabela de dupla entrada e os
nveis do outro fator perturbador so identificados por colunas na tabela.
Alguns exemplos ilustrativos
Exemplo 1 - Num laboratrio devem ser comparados 5 mtodos de anlise (A, B, C, D e
E), programados em 5 dias teis e, em cada dia, feita uma anlise a cada hora, num
perodo de 5 horas. O quadrado latino assegura que todos os mtodos sejam
processados, uma vez em cada perodo e em cada dia. O croqui abaixo ilustra a
configurao a ser adotada.
Perodo
1
2
3
4
5
1
A
C
D
E
B
Dia
3
C
E
A
B
D
2
E
B
C
D
A
4
D
A
B
C
E
5
B
D
E
A
C
Note que os nveis de uma fonte formam as linhas e os nveis da outra fonte
formam as colunas
Exemplo 2 - Num experimento com sunos pretende-se testar 4 tipos de rao (A,B,C,D),
em 4 raas e 4 idades de animais. Sendo interesse fundamental o comportamento dos 4
tipos de rao, toma-se a raa e a idade como blocos, ou seja:
Raa
Idade
I1
I2
I3
R1
A
B
D
R2
B
C
A
R3
D
A
C
R4
C
D
B
I4
Exemplo 3 - Um experimento de competio de 6 variedades de cana-de-acar em que

a rea experimental apresenta gradiente de fertilidade do solo em duas direes. O
65
Cap 7 Delineamento em Quadrado Latino

_____________________________________________________________________
quadrado latino possibilita a formao de blocos nas duas direes, ou seja, procedemos
a um duplo controle local. O croqui seguinte ilustra a distribuio das variedades (A, B, C,
D, E, F) nas parcelas.
Linhas
1
2
3
4
5
6
1
F
B
D
A
C
E
Colunas
3
4
C
E
E
A
A
C
D
F
F
B
B
D
2
B
D
F
C
E
A
5
D
F
B
E
A
C
6
A
C
E
B
D
F
7.2. Caractersticas do DQL

a) O nmero total de unidades experimentais necessrias para um experimento nesse
delineamento igual a I2, sendo I o nmero de tratamentos;
b) Cada tratamento representado uma nica vez e ao acaso em cada linha e em
cada coluna;
c) O nmero de tratamentos igual ao nmero de repeties;
d) Este delineamento aconselhvel quando o nmero de tratamentos oscila entre 3
e 10. Mas, para 3 e 4 tratamentos, somente quando se puder repetir o experimento
em vrios quadrados latinos.
7.3. Casualizao no delineamento em quadrado latino

Consideremos 5 tratamentos: A, B, C, D, E.
1o) Faz-se a distribuio sistemtica dos tratamentos dentro das linhas, de maneira
que cada coluna contenha tambm todos os tratamentos;
Linhas
1
2
3
4
5
1
A
E
D
C
B
Colunas
3
C
B
A
E
D
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, e depois as colunas,

podendo-se obter um quadrado final semelhante ao apresentado abaixo.
Casualizando as linhas (2, 4, 5, 1, 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

_____________________________________________________________________
Casualizando as colunas (3, 5, 1, 4, 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

O delineamento em quadrado latino apresenta o seguinte modelo estatstico:
Yij(k ) = m + l i + c j + t k + e ij(k ) ,
em que,
Yij( k ) o valor observado para a varivel em estudo referente ao k-simo tratamento,
m
li
cj
na i-sima linha e na j-sima coluna;

mdia de todas as unidades experimentais para a varivel em estudo;
o efeito da linha i;
o efeito da coluna j;
t k o efeito do tratamento k;
e ij( k ) o erro experimental.
Admitindo-se I tratamentos, conseqentemente I linhas e I colunas, o esquema da

anlise de varincia fica:
FV
Linhas
Colunas
Tratamentos
Resduo
Total
GL
I-1
I-1
I-1
(I-1)(I2)
I2-1
Exemplo 1
4
4
4
12
Exemplo 2
3
3
3
6
Exemplo 3
5
5
5
20
24
15
35
Considerando
Li = Total da linha i;
Cj = Total da coluna j;
Tk = Total do tratamento k;
G = total geral;
as somas de quadrados so dadas por:
SQTotal = Yij2 C,
onde
i, j
C=
G2 G2
= 2
I I
I
1 I 2
Li C
I i =1
1 J
SQColunas = C2j C
I j =1
1 K
SQTratamen tos = Ti2 C
I k =1
SQLinhas =
67

_____________________________________________________________________
SQ Re siduo = SQTotal SQL SQC SQT .
7.5. Exerccios
7.1. Num experimento de competio de variedades de cana forrageira foram usadas 5
variedades: A=CO290; B=CO294; C=CO297; D=CO299 e E=CO295, dispostas em um
quadrado latino 5x5. O controle feito atravs de blocos horizontais e verticais teve por
objetivo eliminar influncias devidas a diferenas de fertilidade em duas direes. As
produes, em kg/parcela, foram as seguintes:
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
Colunas
3
458(B)
524(A)
556(C)
313(E)
438(D)
2289
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 = 5% , pede-se:
a. Anlise de Varincia
b. Qual a variedade a ser recomendada? Utilize teste de Tukey, se necessrio.
7.2. Em um experimento no delineamento em quadrado latino com 5 tratamentos, so
dados:
1 = 50,0; m
2 = 60,0; m
3 = 47,5; m
4 = 40,0; m
5 = 52,5
m
SQ Re sduo = 388,80
a. Verificar se existe efeito significativo de tratamentos, pelo teste F, e concluir para
= 5% .
b. Qual o tratamento deve ser recomendado nos seguintes casos:
b.1. Se estivssemos avaliando a produo de uma certa cultura (em kg/ha)?
b.2. Se estivssemos avaliando a perda de gros, durante a colheita, de uma certa
cultura (em g/parcela)?
Obs.: Utilize = 5% e o Teste de Duncan (se necessrio)
7.3. Aplicar o teste de Tukey para comparar as mdias de tratamentos, relativos ao
Quadrado Latino 5x5, dados:
T1 = 3024,0; T2 = 2549,0; T3 = 2349,0; T4 = 1970,0; T5 = 1734,0
SQ Re siduo = 34116,0
= 5%
7.4. O objetivo de um experimento foi estudar o efeito da poca de castrao no

desenvolvimento e produo de sunos. Dispunha-se para esse estudo, de 5 matrizes da
mesma raa, que foram submetidas mesma alimentao e manejo durante o perodo de
gestao. Os tratamentos foram: (A) Castrao aos 56 dias de idade; (B) Castrao aos 7
dias de idade; (C) Castrao aos 36 dias de idade; (D) Inteiros; (E) Castrao aos 21 dias
de idade. Foi utilizado o delineamento em quadrado latino buscando controlar a variao
entre leitegadas (linhas) e a variao no peso inicial dos leites (colunas), sendo a parcela
experimental constituda de um leito. Os ganhos de pesos, em kg, aps o perodo
experimental (28 semanas), esto apresentados no quadro abaixo:
68

_____________________________________________________________________
Leitegadas
1
2
3
4
5
Totais
1
93,0(A)
110,6(C)
102,1(B)
115,4(D)
117,6(E)
538,7
Faixas de Peso Inicial

2
3
4
115,4(C) 116,9(E) 110,2(D)
96,5(E)
108,9(B)
97,6(A)
108,6(D)
77,9(A)
102,0(E)
94,9(A)
114,0(C) 100,2(B)
114,1(B) 118,7(D) 108,8(C)
529,5
536,4
518,8
5
110,4(B)
112,0(D)
111,7(C)
118,5(E)
80,2(A)
532,8
Totais
545,9
525,6
502,3
543,0
539,4
2656,2
Considerando = 5% , pede-se:
a. Faa a anlise de varincia. DADO: SQTotal = 2998,4824
b. Formule um contraste que permita avaliar o efeito mdio da prtica de castrao.
c. Teste o contraste obtido no item anterior. Utilize os teste de Scheff e t.
7.5. Um experimento foi conduzido numa regio do Pantanal com o objetivo de selecionar
forrageiras que garantissem uma maior produo de matria seca. Foi utilizado o
delineamento em quadrado latino, buscando controlar diferenas de fertilidade em duas
direes, sendo avaliadas 7 forrageiras (A, B, C, D, E, F, G). Foram obtidos os seguintes
resultados parciais com a realizao do experimento:
Tratamentos
Totais
Linhas
Totais
A
30,8
1
18,9
B
25,2
2
19,9
C
19,6
3
14,5
D
14,0
4
18,1
E
13,3
5
15,6
F
9,8
6
17,4
G
8,4
7
16,7
SQTotal=72,36
SQColunas=1,27
Verificar se existe efeito significativo de forrageiras, pelo teste F, e concluir para
=1%.
7.6. Um pesquisador instalou um experimento para comparar 5 tipos de bacilos (A, B, C,
D, e E) usados para produo de iogurte. No momento da instalao do experimento, o
pesquisador verificou que o material experimental disponvel (25 unidades de 1 litro de
leite) no era completamente homogneo entre si, pois apresentavam variao quanto ao
teor de gordura e grau de acidez. Para controlar estas duas fontes de variao, o
pesquisador distribuiu os bacilos ao acaso s amostras de leite de tal forma que cada
bacilo pudesse ser testado em todas as condies de teor de gordura e grau de acidez. O
quadro dado a seguir ilustra a distribuio dos bacilos s amostras de leite bem como o
volume (em ml) de iogurte produzido:
69

_____________________________________________________________________
Teor de Gordura
Totais
1
450
A
750
C
750
D
650
E
750
B
3350
TA = 3395
TB = 4345
1
2
3
4
5
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
5
780
B
830
D
760
E
875
A
890
C
4135
TC = 4080
TE = 3550
TD = 3940
Totais
3150
3980
4100
4100
3980
19310
Com base nas informaes fornecidas, pergunta-se:

7.6.1. Qual foi a unidade experimental utilizada?
7.6.2. Quais foram os tratamentos em teste?
7.6.3. Quantas vezes o princpio do controle local foi utilizado neste experimento?
7.6.4. Qual foi o Delineamento experimental utilizado nesta pesquisa?
7.6.5. Usando os dados experimentais fornecidos anteriormente e o teste F para testar a
fonte de variao bacilos, pode-se concluir que ao nvel de 5% de probabilidade que
a) existe pelo menos um contraste entre mdias de bacilos estatisticamente diferente
de zero
b) todos os possveis contrastes entre mdias de bacilos so estatisticamente nulos
c) o bacilo A o melhor
d) o bacilo B o melhor
e) o bacilo C o melhor
7.6.6. O teste de Tukey indica que o(s) bacilo(s) que proporciona(m) maior(es) mdia(s)
de produo de iogurte (so) (use o nvel de 5% de significncia) 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, B e C
g) os bacilos B, C e D
h) os bacilos C, D e E
i) os bacilos A, D e E
j) nenhuma das alternativas anteriores
70
Cap 8 Experimentos Fatoriais

____________________________________________________________
8. Experimentos Fatoriais
8.1. Introduo
Experimentos fatoriais so aqueles em que se estudam simultaneamente
dois ou mais fatores, cada um deles com dois ou mais nveis. O fatorial um
tipo de esquema, ou seja, uma das maneiras de organizar os tratamentos e
no um tipo de delineamento, que representa a maneira pela qual os
tratamentos so distribudos s unidades experimentais. Na verdade, os
experimentos fatoriais so montados segundo um tipo de delineamento
experimental, como por exemplo: o DIC e o DBC.
Nos experimentos fatoriais, os tratamentos so obtidos pelas combinaes
dos nveis dos fatores. Num experimento fatorial completo, cada nvel de um
fator combina com todos os nveis dos outros fatores. A principal aplicao de
experimentos fatoriais quando se quer saber sobre o efeito de diversos
fatores que influenciam na varivel em estudo e o relacionamento entre eles.
A simbologia comumente utilizada, para experimentos fatoriais indicar
o produto dos nveis dos fatores em teste. Por exemplo: Experimento Fatorial
2x4x6. O produto 2x4x6 informa que no experimento foram testados
simultaneamente 3 fatores. O primeiro possui 2 nveis, o segundo 4 nveis e o
terceiro 6 nveis. Quando o nmero de nveis igual para todos os fatores,
pode-se utilizar a seguinte simbologia: nF , em que F o nmero de fatores n
o nmero de nveis de cada fator. Por exemplo: Experimento Fatorial 43. A
potncia 43 informa que o experimento tem 3 fatores com 4 nveis cada um.
8.2. Tipos de efeitos avaliados em um experimento fatorial

Nos experimentos fatoriais, podem ser estudados os seguintes efeitos:
- Efeito Principal: o efeito de cada fator, independente do efeito dos
outros fatores;
- Efeito de Interao: o efeito simultneo dos fatores sobre a varivel
em estudo. Dizemos que ocorre interao entre os fatores quando os efeitos
dos nveis de um fator so modificados pelos nveis do outro fator.
O efeito da interao pode ser mais facilmente compreendido por meio
de grficos. Para ilustrar o efeito da interao, considere um experimento
fatorial 3x2, em que os fatores em testes so Variedade (V) e Espaamento
(E). Os tratamentos para este experimento so os seguintes:
V1E1 V2E1 V3E1
V1E2 V2E2 V3E2
71

___________________________________________________________
Suponha os seguintes resultados fictcios, para a varivel altura de
plantas (cm), deste experimento, nas seguintes situaes:
1) No h interao
Espaamentos
E1
E2
Variedades
V1
V2
V3
8
10
12
6
8
10
Quando no h interao as diferenas entre os resultados dos nveis de

um fator so estatisticamente iguais para todos os nveis do outro fator.
12
10
8
Altura de
plantas (cm) 6
E1
E2
2
0
V1
V2
V3
2) H interao
Espaamentos
E1
E2
Variedades
V1
V2
V3
2
4
6
5
10
2
Quando h interao as diferenas entre os nveis de um fator

dependem dos nveis do outro fator.
10
9
8
7
6
Altura de
5
plantas (cm)
4
3
2
1
0
E1
E2
V1
V2
V3
8.3. Quadro de tabulao de dados

Uma maneira de tabular os dados de um experimento fatorial, com dois fatores
A e B, com I e nveis, respectivamente, instalados segundo o DIC, com K
repeties, fornecida a seguir:
72

____________________________________________________________
A1
Repetio B1 B2 ...
Y111 Y121 ...
1
Y112 Y122 ...
2
...
... ... ...
Y11K Y12K ...
K
Y11 Y12 ...
Total
BJ
Y1J1
Y1J2
...
Y1JK
Y1J
A2
B1 B2 ...
Y211 Y221 ...
Y212 Y222 ...
... ... ...
Y21K Y22K ...
Y21 Y22 ...
BJ
Y2J1
Y2J2
...
Y2JK
...
...
...
...
...
Y2J
...
AI
B1 B2 ...
YI11 YI21 ...
YI12 YI22 ...
... ... ...
YI1K YI2K ...
YI1 YI2 ...
BJ
YIJ1
YIJ2
...
YIJK
YIJ
Deste quadro, pode-se tirar algumas informaes que posteriormente

sero teis na anlise de varincia:
K
Total do ij-simo tratamento: ( AB) ij = Yijk = Yi j

Total do i-simo nvel do fator A: A i =
Total do j-simo nvel do fator B: B j =
Total Geral: G =
I,J,K
i =1, j =1,k =1
i =1
j =1
k =1
J,K
= Yi
ijk
= Y j
I,K
i =1,k =1
Yijk = A i = B j = YL
Ai =
Mdia do i-simo nvel do fator A: m
Bi =
Mdia do j-simo nvel do fator B: m
ijk
j =1,k =1
Ai
JK
Bj
IK
G
N
Nmero total de parcelas: N=IJK
=
Mdia geral: m
Pode-se montar um quadro auxiliar contendo os totais de tratamentos,

cujos valores so obtidos pela soma de todas as repeties para o tratamento
em questo. Este quadro facilita o clculo das somas de quadrados devido aos
fatores A e B, e da interao entre eles. Para a situao citada, o quadro de
totais de tratamentos 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
73

___________________________________________________________

Considere um experimento fatorial, com dois fatores: o fator A com I
nveis e o fator B com J nveis, instalados segundo o DIC, com K repeties. O
modelo estatstico para um experimento como este :
Yijk = m + i + j + ( )ij + e ijk
em que,
Yijk o valor observado para a varivel em estudo referente a k-sima
repetio da combinao do i-simo nvel do fator A com o j-simo

nvel do fator B;
a mdia de todas as unidades experimentais para a varivel em
estudo;
o efeito do i-simo nvel do fator A no valor observado Yijk ;
o efeito do j-simo nvel do fator B no valor observado Yijk ;
( )ij o efeito da interao do i-simo nvel do fator A com o j-simo nvel

e ijk
do fator B;
o erro associado a observao Yijk .
Para um experimento fatorial instalado segundo o DBC, com K blocos, o

modelo estatstico seria:
Y = m + + + ( )ij + + e
ijk
i
j
k
ijk
em que,
k o efeito do k-simo bloco na observao Yijk .

A anlise de varincia de um experimento fatorial feita desdobrando-se a
soma de quadrados de tratamentos nas partes devido aos efeitos principais de
cada fator e na parte devido interao entre os fatores.
O quadro a seguir apresenta como seria a anlise de um experimento
fatorial, com 2 fatores A e B, com I e J nveis, respectivamente, e K repeties,
instalado segundo o DIC.
FV
A
B
GL
(I-1)
(J-1)
SQ
SQA
SQB
AxB
(I-1)(J-1)
SQAxB
(Trat)
(IJ-1)
(SQTrat)
Resduo
n2=IJ(K-1)
SQRes
Total
IJK 1
SQTotal
QM
SQAxB
(I 1)(J 1)
SQ Re s
IJ(K 1)
-
F
QMAxB
QM Re s
-
Ftab;
[(I-1)(J-1); n2]
-
As frmulas para a obteno das somas de quadrados so as seguintes:
74

____________________________________________________________
I,J,K
SQTotal =
I,J,K
Yijk
i=1, j=1,k =1
C=
IJK
2
Yijk
C
i=1, j=1,k =1
Yij2.
I,J
SQTrat =
i=1, j=1
SQB =
B 2j
IK
SQA =
A i2
JK C
i=1
SQAxB = SQTrat SQA SQB
j=1
SQResduo = SQTotal SQTrat
O quadro abaixo apresenta como seria a anlise de um experimento

fatorial, com 2 fatores A e B, com I e J nveis, respectivamente, e K repeties
(ou blocos), instalado segundo o DBC.
FV
A
B
GL
(I-1)
(J-1)
SQ
SQA
SQB
QM
-
AxB
(I-1)(J-1)
SQAxB
(I 1)(J 1)
(Trat)
Blocos
(IJ-1)
K-1
(SQTrat)
SQBlocos
Resduo
n2=(IJ-1)(K-1)
SQRes
Total
IJK - 1
SQTotal
SQ Re s
(IJ 1)(K 1)
-
SQAxB
F
QMAxB
QMRe s
-
Ftab,
[(I-1)(J-1); n2]
-
Nesta situao,
K
SQBlo cos =
Wk2
C
IJ
k =1
em que,
Total do k-simo bloco: Wk =
I,J
ijk
= Yk
i=1, j=1
Conforme apresentado nas duas tabelas anteriores, na anlise dos dados

oriundos de um experimento fatorial, para os dois tipos de delineamentos,
deve-se inicialmente proceder ao teste F para a interao entre os fatores. As
hipteses para o teste F da interao so:
H0 : Os fatores A e B atuam independentemente sobre a varivel
resposta em estudo.
Ha : Os fatores A e B no atuam independentemente sobre a varivel
resposta em estudo.
O resultado deste teste F para a interao indica como as comparaes dos
nveis de um fator devem ser realizadas. Temos dois resultados possveis para
o teste F da interao os quais sero apresentados a seguir.
75

___________________________________________________________
8.5.1 Interao no-significativa

Este caso ocorre quando a hiptese H0 para a interao entre os fatores
no rejeitada. Este resultado implica que os efeitos dos fatores atuam de
forma independente.
Portanto recomenda-se que as comparaes dos nveis de um fator
sejam feitas de forma geral em relao ao outro fator, ou seja, independente
dos nveis outro fator. O passo seguinte na anlise estatstica dos dados
experimentais proceder ao teste F para cada fator como ilustrado na tabela
apresentada a seguir para o caso do DBC.
FV
GL
SQ
QM
SQA
(I 1)
SQB
(J 1)
(I-1)
SQA
(J-1)
SQB
AxB
(I-1)(J-1)
SQAxB
(I 1)(J 1)
(Trat)
Blocos
(IJ-1)
K-1
(SQTrat)
SQBlocos
Resduo
n2=(IJ-1)(K-1)
SQRes
Total
IJK - 1
SQTotal
SQ Re s
(IJ 1)(K 1)
-
SQAxB
F
QMA
QMRe s
QMB
QMRe s
nosiginificativo
-
[(J-1);n2]
Ftab,
[(I-1);n2]
As hipteses para realizar o teste F para os efeitos principais so

Fator A
H0 : m A1 = m A 2 =...= m AI ou seja, todos os possveis contrastes entre as mdias
dos nveis do fator A, so estatisticamente nulos, ao nvel de probabilidade
em que foi executado o teste.
Ha : no H0 ou seja, existe pelo menos um contraste entre as mdias dos
nveis do fator A, que estatisticamente diferente de zero, ao nvel de
probabilidade em que foi executado o teste.
Fator B
H0 : mB1 = mB 2 =...= mBJ ou seja, todos os possveis contrastes entre as mdias
dos nveis do fator B, so estatisticamente nulos, ao nvel de probabilidade
em que foi executado o teste.
Ha : no H0 ou seja, existe pelo menos um contraste entre as mdias dos
nveis do fator B, que estatisticamente diferente de zero, ao nvel de
Se os fatores A e B forem qualitativos, e o teste F para A e/ou B, for no
significativo, a aplicao do teste de mdias desnecessria. Se o teste F for
significativo, para A e/ou B, aplica-se um teste de mdias para comparar os
nveis do fator. As estimativas das mdias dos nveis dos fatores so obtidas
por
76

____________________________________________________________
Ai =
Fator A m
Bj =
Fator B m
Ai
JK
Bj
IK
Para realizar o teste de Tukey para comparar as medias dos nveis dos
fatores em teste temos que usar
QM Re s
JK
(I;n2)
QM Re s
IK
(J;n2)
Para o teste de Duncan temos que usar

Di
zi
QM Re s
JK
(nA;n2)
zi
QM Re s
IK
(nB;n2)
Em que nA e nB so os nmeros de mdias ordenadas abrangidas pelo

contraste sendo testados.
As hipteses para os testes Tukey e Duncan para comparar as mdias dos
nveis dos fatores so
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 aplicao do teste t temos que usar
t
ttab
C
C
A
A
QM Re s
JK
2
i
t (n2)
i=1
C
C
B
B
QM Re s
IK
2
j
t (n2)
j=1
Em que
CA = a1mA1 + a2mA2 + ... + aImAI e
CB = b1mB1 + b2mB2 + ... + bImBJ
77

___________________________________________________________
Para a aplicao do teste Scheff para testar os contrastes YA e YB temos
que usar
S
A
B
S = (I 1)Ftab
Ftab
QM Re s
JK
S = (J 1)Ftab
QM Re s
IK
2
i
F [(I -1); n2]
i=1
J
2
j
j=1
F [(J -1); n2]
As hipteses para os testes de Scheff e t para testar os contrastes so

Fator A H0 : CA = 0 versus Ha : CA 0
Fator B H0 : CB = 0 versus Ha : CB 0
8.5.2 Interao significativa

Este caso ocorre quando a hiptese H0 para a interao entre os fatores
rejeitada. Este resultado implica que os efeitos dos fatores atuam de forma
dependente. Neste caso as comparaes entre os nveis de um fator levam em
considerao o nvel do outro fator, pois o resultado significativo para a
interao indica que o efeito de um fator depende do nvel do outro fator.
Portanto, no recomendado realizar o teste F para cada fator
isoladamente tal como foi apresentado para o caso da interao nosignificativa. O procedimento recomendado realizar o desdobramento do
efeito da interao.
Para realizar este desdobramento deve-se fazer uma nova anlise de
varincia em que os nveis de um fator so comparados dentro de cada nvel
do outro fator, tal como apresentado nas tabelas a seguir.
Desdobramento para comparar os nveis de A dentro de cada nvel de B,
ou seja, estudar A/B
FV
GL
SQ
A/B1
(I-1)
SQA/B1
A/B2
(I-1)
SQA/B2
...
...
...
A/BJ
(I-1)
SQA/BJ
Resduo
Total
n2
IJK - 1
SQTotal
QM
SQA / B1
(I 1)
SQA / B2
(I 1)
...
SQA / BJ
(I 1)
QMRes
-
F
QMA / B1
QM Re s
QMA / B2
QM Re s
...
QMA / BJ
QM Re s
-
Ftab,
[(I-1);n2]
[(I-1);n2]
...
[(I-1);n2]
-
As hipteses para testar as fontes de variao da tabela acima, para j=1,

2, 3, ..., J, so
H0 : mA1/Bj = mA2/Bj = ... = mAI/Bj
Ha : no H0
Desdobramento para comparar os nveis de B dentro de cada nvel de A,
ou seja estudar B/A
78

____________________________________________________________
FV
GL
SQ
B/A1
(J-1)
SQB/A1
B/A2
(J-1)
SQB/A2
...
...
...
B/AI
(J-1)
SQB/AI
Resduo
Total
n2
IJK - 1
SQTotal
QM
SQB / A1
(J 1)
SQB / A 2
(J 1)
...
SQB / AI
(J 1)
QMRes
-
F
QMB / A1
QM Re s
QMB / A 2
QM Re s
...
QMB / AI
QM Re s
-
Ftab,
[(J-1);n2]
[(J-1);n2]
...
[(J-1);n2]
-
As hipteses para testar as fontes de variao da tabela acima, para i=1,

2, 3, ..., I, so
H0 : mB1/Ai = mB2/Ai = ... = mBJ/Ai
Ha : no H0
Em que as SQA/Bj e SQB/Ai podem ser obtidas usando a frmula geral
para a soma de quadrados dada por
k
2
k
X i i=1
SQ =
k
i=1 ri
ri
i=1
Se os fatores forem qualitativos, procede-se ao teste F para cada fonte de

variao do desdobramento. Nas fontes de variao em que o teste F foi
significativo e o fator tem mais de dois nveis, recomenda-se a aplicao de um
teste de mdias. As estimativas das mdias dos nveis dos fatores so obtidas
por
A
Fator A m Ai = i
Fator B mBj =
K
Bj
Para realizar o teste de Tukey para comparar as mdias dos nveis dos
QM Re s
K
(I;n2)
QM Re s
K
(J;n2)
79

___________________________________________________________
Di
zi
QM Re s
K
(nA;n2)
zi
QM Re s
K
(nB;n2)

As hipteses para os testes Tukey e Duncan para comparar as mdias dos
nveis dos fatores so
Fator A H0 : mAi/Bj = mAu/Bj versus Ha : mAi/Bj mAu/Bj para i u = 1, 2, 3, ...
, I e j = 1, 2, ... , J
Fator B H0 : mBj/Ai = mBu/Ai versus Ha : mBj/Ai mBu/Ai para j u = 1, 2, 3, ...
, J e i = 1, 2, ... , I
t
ttab
C
C
A
A
QM Re s
K
t (n2)
2
i
i=1
C
C
B
B
QM Re s
K
JI
t (n2)
2
i
j=1
Em que
CA = a1mA1/Bj + a2mA2/Bj + ... + aImAI/Bj para j = 1, 2, ..., J e
CB = b1mB1/Ai + b2mB2/Ai + ... + bJmBJ/Ai para i = 1, 2, ... , I
Para a aplicao do teste Scheff para testar os contrastes CA e CB temos
que usar
S
Ftab
I
S = (I 1)Ftab
QM Re s
a i2 F [(I -1); n2]
K
i =1
S = (J 1)Ftab
QMRe s J 2
bj
K
j =1
F [(J -1); n2]

80

____________________________________________________________
8.6. Vantagens e desvantagens de um experimento fatorial

8.6.1 Vantagens
a. Permite o estudo dos efeitos principais e o efeito da interao entre os
fatores.
b. O no de graus de liberdade associado ao resduo alto quando
comparado com os experimentos simples dos mesmos fatores, o que
contribui para diminuir a varincia residual, aumentando a preciso do
experimento.
8.6.2 Desvantagem
b. Requer maior nmero de unidades experimentais em relao aos
experimentos simples.
8.7. Exerccios
8.1. Seja um experimento fatorial instalado no DIC, com dois fatores: Irrigao
(A) e Calagem (B), cada um deles com dois nveis: presena (A 1 e B 1 ) e
ausncia (A 0 e B 0 ) . Os dados obtidos (kg de planta/parcela) para cada
tratamento so fornecidos abaixo. Pede-se realizar a ANOVA e obter as
concluses sobre os fatores. Use = 5 % .
A0B0
25
32
27
A0B1
35
28
33
A1B0
41
35
38
A1B1
60
67
59
8.2. Em um experimento fatorial no DIC em que foram combinadas duas doses

de N e duas doses de fsforo, com 5 repeties, so dados:
N0
N1
10,5
11,5
11,0
12,4
P0
9,8
10,2
11,2
12,7
9,9
10,4
11,2
14,0
11,0
14,1
P1
10,4
13,8
13,1
13,5
10,6
14,2
Considerando o nvel de significncia de 5%, concluir sobre os efeitos

dos fatores.
8.3. Foi realizada uma pesquisa para testar dois tipos de ambiente (com luz
artificial e sem luz artificial no perodo da noite) e dois tipos de rao (com
clcio e sem clcio). Para tanto foram utilizadas 24 poedeiras similares,
escolhidas aleatoriamente. Ao final da avaliao foram obtidos os seguintes
resultados (ovos/poedeira):
Rao
com clcio
sem clcio
Ambiente 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

___________________________________________________________
Ao nvel de 1% de probabilidade e admitindo que se trata de um
experimento instalado segundo o DIC, pede-se:
a) Pode-se afirmar que o tipo de Rao e o tipo de Ambiente atuam
independentemente na produo de ovos?
b) Qual seria o tipo de Rao recomendada? (Use o teste Tukey se
necessrio).
c) Qual seria o tipo de Ambiente recomendado? (Use o teste Tukey se
necessrio).
8.4. 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
colnias bacterianas em laboratrio, foram obtidos os seguintes resultados,
aps o trmino da realizao do experimento:
Totais de Tratamento para o no de colnias 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
Resduo
Total
Resumo da ANOVA
GL
SQ
QM
Total
65
75
140
1,72
2,05
Com base nos resultados fornecidos acima, pede-se, ao nvel de 5% de

probabilidade:
a) Os fatores fonte nutritiva e vasilhame atuam independentemente no no
de colnias bacterianas? Justifique sua resposta.
b) Qual a melhor fonte nutritiva para o vasilhame placa de petri? (Use o
teste Tukey, se necessrio).
c) Qual o melhor vasilhame para a fonte nutritiva a base de K? (Use o
teste Tukey, se necessrio).
8.5. Um experimento, instalado segundo o Delineamento Inteiramente
Casualizado com 5 repeties, com o objetivo de verificar o efeito de 2
cultivares de Eucalipto e de 2 espaamentos na produo de carvo,
forneceram os seguintes resultados:
82

____________________________________________________________
Espaamentos
E1
E2
Totais
V1
30
38
68
Totais de Tratamentos
Variedades
V2
35
39
74
Totais
65
77
142
SQResduo = 17,00
Usando o nvel de significncia de 5% e aplicando o teste Tukey quando
necessrio, pede-se:
a) Os fatores variedades e espaamentos atuam independentemente na
produo de carvo?
b) Qual foi a variedade que forneceu a menor produo?
c) Qual foi o espaamento que forneceu a maior produo?
8.6. Abaixo so fornecidos o Quadro da Anlise de Varincia e o Quadro de
Interao para um experimento fatorial instalado segundo o Delineamento em
Blocos Casualizados, com 4 repeties, que foi realizado por um zootecnista
para comparar 3 raas de sunos e 2 tipos de raes com relao ao teor de
gordura na carcaa.
Rao
Raa
Totais
1
2
1
45
40
85
2
38
45
83
3
39
48
87
Totais
122
133
255
FV
Rao
Raa
Interao
(Tratamentos)
Blocos
Resduo
Total
GL
SQ
5,0400
1,0000
QM
-
(20,3750)
15,0000

a)Os fatores Raa e Rao atuam independentemente no teor de
gordura dos sunos?
b)Proceda a anlise do fator Rao, da maneira adequada, conforme o
resultado obtido para o teste F da Anlise de Varincia para a Interao
Raa*Rao.
83

___________________________________________________________
8.7. Suponha que voc esteja participando de uma seleo para um emprego
numa empresa de pesquisa. Dentre as vrias reas em avaliao, consta a
rea de Estatstica, que objetiva avaliar seus conhecimentos na rea, no
simplesmente pedindo-lhe para fazer "contas" (o que eles acham ser de menor
importncia), mas sim com respeito estratgia de anlise, interpretao,
discusso e tomada de deciso.
So feitas as seguintes perguntas:
a) Como voc faria um "leigo" entender o que vem a ser INTERAO
ENTRE DOIS FATORES A e B. Para explicar voc pode usar exemplos,
grficos, tabelas, etc, sua escolha.
b) Qual a estratgia de anlise a ser efetuada (ou os passos da anlise
subseqente) nos seguintes casos de um fatorial com dois fatores A e B:
b.1) INTERAO NO SIGNIFICATIVA;
b.2) INTERAO SIGNIFICATIVA.
8.8. Para se avaliar o comportamento de 4 espcies de fungos (A, B, C e D)
com relao ao crescimento em meio mnimo (m.m.) com (c/) ou sem (s/) a
fonte nutritiva extrato de levedura, foi realizado um experimento fatorial 4x2 no
D.B.C. com 5 repeties. Aps a coleta e tabulao dos dados (numa unidade
de medida qualquer) foi montado o seguinte quadro de interao de totais de
tratamentos:
Meio
Fungo A
Fungo B
Fungo C
Fungo D
m.m.c/
52
60
60
90
m.m s/
50
56
40
40
Totais
102
116
100
130
A anlise de varincia dos dados no computador forneceu
quadro (incompleto) da ANOVA:
F.V.
G.L.
QM
Fator A
1
144,40
Fator B
3
19,40
Int. AxB
49,20
(Trat)
---Blocos
---Resduo
10,00
Total
Totais
262
186
448
o seguinte
Com base nos resultados fornecidos acima, pede-se: (obs.: use =1%)
a) Cada valor interno no quadro de interao acima veio de quantas
observaes? Justifique.
b) Complete a coluna de G.L. do quadro acima, explicando como obteve
cada um deles.
c) A que se refere o Fator A do quadro da ANOVA acima? E o Fator B?
Justifique suas respostas.
d) Os fatores em estudo atuam independentemente na varivel em
anlise (crescimento)? Justifique sua resposta.
e) Qual meio de cultura (meio mnimo com extrato de levedura ou meio
mnimo sem extrato de levedura) voc usaria para propiciar um maior
crescimento do fungo B? Justifique sua resposta.
84

____________________________________________________________
f) Compare por meio de um contraste, a mdia do grupo de fungos A e B
com a mdia do grupo de fungos C e D pelo teste t e Scheff quando o meio de
cultura com extrato de levedura foi utilizado. Assuma que as pressuposies
dos testes t e Scheff foram satisfeitas.
8.9. Em um experimento no esquema fatorial, com dois fatores qualitativos A e
B, em que se deseja estudar os efeitos dos dois fatores, qual procedimento
deve-se adotar quando:
a) A interao for no-significativa.
b) A interao for significativa.
8.10. Do fatorial 4x3, no DIC com 3 repeties, so dados:
B1
B2
B3
12
18
22
A1
14
17
21
16
20
20
15
22
30
A2
17
23
31
18
23
32
20
25
29
A3
21
26
32
23
28
32
23
29
34
A4
24
30
35
26
32
37
Para o nvel de significncia 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
Scheff.
8.11. De um experimento no DBC, no esquema fatorial, foram obtidos os
seguintes resultados:
A1
A2
A3
B1
9068
8841
9278
B2
9932
9960
9779
B3 10709
9560
10023
2
Y = 283282054
ijk
Bloco
Total
Pede-se ( = 5% ) :
a) ANOVA
b) Teste de Duncan
1
28218
2
29641
3
29291
8.12. Dizer o que voc entende e como interpreta uma interao entre dois
fatores A e B significativa, para um determinado .
85

___________________________________________________________
8.13. Analisar os dados do fatorial 2x3, ambos qualitativos, resumidos nos
quadros de interaes e ANOVA, e aplicar o teste de Duncan, se for o caso,
para = 1% .
B1
B2
B3
Total
A1
20,3
21,4
20,9
62,6
A2
21,4
22,3
35,6
79,3
Total
41,7
43,7
56,5
141,9
2
Y = 814,56 .
ijk
FV
GL
SQ
Bloco
5
200,3146
A
7,7469
B
10,7467
AxB
10,4289
Resduo
Total
8.14. Com os dados do quadro de interao do fatorial 2x6, no delineamento
em Blocos Casualizados com 2 repeties, e considerando = 5% com os
fatores A e B atuando dependentemente, pede-se :
a) testar e concluir a respeito do fator A dentro do nvel B4
b) Fazer o estudo do fator B dentro dos nveis de A procedendo a anlise
de varincia e o teste de Tukey se necessrio
A1
A2
Total
B1
46,8
47,2
94,0
B2
48,2
60,8
109,0
B3
47,3
69,3
116,6
B4
49,0
71,6
120,6
B5
48,5
61,5
110,0
B6
46,9
46,8
93,7
Total
286,7
357,2
643,9
SQResduo = 120,8325
8.15. Em um experimento fatorial 4x2 no delineamento em Blocos
Casualizados com 3 repeties, so dados:
B1
B2
Total
A1
20,5
15,6
36,1
A2
26,2
21,4
47,6
A3
31,0
26,4
57,4
A4
36,5
29,8
66,3
Total
114,2
93,2
207,4
SQTotal = 159,98
Blocos
Totais
I
60,4
II
74,6
III
72,4
Sabendo-se que os fatores A e B atuam independentemente e

adotando-se = 5% , pede-se:
a)
aplicar
o
teste
de
Scheff
ao
contraste
+ 2m
+ 3m
C=m
6m
A1
A2
A3
A4
b) concluir a respeito do fator B
86

____________________________________________________________
8.16. Em um experimento fatorial em que foram combinados 4 nveis do fator A
com 2 nveis do fator B, no delineamento em Blocos Casualizados com 5
repeties, so dados:
Nveis de A
Totais
A1
198
A2
184
A3
162
A4
154
SQResduo = 223,9680
Admitindo que os fatores atuam independentemente, aplicar o teste
Tukey aos nveis do fator A e concluir para = 5% .
8.17. Em um experimento fatorial, no DIC foram combinados 2 nveis do fator A
com 3 nveis do fator B (ambos qualitativos), com 3 repeties. Os valores
obtidos para cada repetio nos tratamentos avaliados, so dados abaixo.
A1
A2
B1
12 14 16
14 13 16
B2
15 17 18
11 12 11
B3
12 11 13
12 12 13
Pede-se:
a) Verificar se os dois fatores atuam independentemente. Use = 5% .
b) Faa um estudo completo acerca dos nveis do fator A. Concluir para
= 5% .
8.18. Num experimento com sunos foram comparadas trs raes (A, B, C) e
dois nveis de protena (1-Alto, 2-Mdio), utilizando um delineamento
inteiramente casualizado num esquema fatorial com 5 repeties. Ao final do
experimento, obteve-se o seguinte quadro de interao para os totais de
tratamentos:
Protena
1
2
Totais
A
498
469
967
Raes
B
428
350
778
C
477
406
883
Totais
1403
1225
2628

a. Complete o quadro da ANOVA e verifique se os fatores raes e nveis de
protena atuam independentemente.
FV
GL
SQ
QM
F
Rao
Protena
Interao
2
140,4667
0,34
(Tratamentos)
Resduo
4957,20
Total
b. Qual seria a rao a ser recomendada? (Use o teste de Duncan se
necessrio)
87

___________________________________________________________
c. Qual seria o nvel de protena a ser recomendado? (Use o teste de Duncan
se necessrio).
8.19. Um pesquisador instalou um experimento para avaliar o efeito que o
horrio de colheita e o tipo de colheitadeira tm na perda de gros. Para isto
foram escolhidos trs horrios de colheita (H1, H2 e H3) e dois tipos de
colheitadeira (T1 e T2). O pesquisador definiu como unidade experimental uma
rea de 1020 metros. Como as unidades experimentais eram homogneas, o
pesquisador distribuiu inteiramente ao acaso os tratamentos, ou seja, as
combinaes dos nveis dos fatores, H1T1, H1T2, H2T1, H2T2, H3T1 e H3T2,
s unidades experimentais conforme ilustrado na Figura 1.
Figura 1 Distribuio dos tratamentos s unidades experimentais e respectivas perdas
(em gramas) observadas durante a colheita
10 m
20
m
T1
T2
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)
H1
35 40 45 49
39
54 58 56 61
59
T1
T2
Totais
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
H1
208(5)
288
496(10)
H2
H3
217
282
317
370
534
652
Total
1682(30)
Totais
707(15)
975
1682(30)
88

____________________________________________________________
Com base nas informaes fornecidas, pede-se:

8.19.1. Os fatores, horrio de colheita e tipo de colheitadeira, atuam
independentemente na perda de gros?
8.19.2. Em qual(is) horrio(s) de colheita ocorreu maior(es) mdia(s) de perda
de gros? Use o teste de Tukey e de Duncan.
8.19.3. Testar o contraste C = 2mH1 mH2 mH3 pelos testes de Scheff e t.
Suponha que todas as pressuposies para a realizao de tais testes sejam
satisfeitas.
8.19.4. Qual tipo de colheitadeira ocorreu maior mdia de perda de gros? Use
o teste de Tukey e de Duncan se necessrio.
8.19.5. Testar o contraste C = mT1 mT2 pelos testes de Scheff e t. Suponha
que todas as pressuposies para a realizao de tais testes sejam satisfeitas.
8.20. Um Engenheiro de Produo, objetivando aumentar a eficincia de uma
linha de produo, instalou um experimento fatorial segundo o delineamento
inteiramente casualizado com 5 repeties. Neste experimento foram
comparados dois tipos de controle de qualidade (A1 e A2). Cada um dos dois
tipos de controle de qualidade foi testado usando dois processos de fabricao
(B1 e B2). O tempo gasto, em minutos, para completar o processo de
fabricao foi medido. O quadro de totais de tratamentos fornecido a seguir:
Fator A
Fator B
A1
A2
Totais
B1
92
113
205
B2
112
90
202
Totais
204
203
407
Resumo da ANOVA
GL
SQ
QM
0,05
FV
A
B
A*B
Tratamentos
Resduo
Total
92,95
122,55
Com base nestas informaes, pede-se (use o nvel de 5% de significncia):

8.20.1. Os fatores controle de qualidade e processo de fabricao atuam
independentemente sobre o tempo gasto para fabricao? Justifique a sua
resposta.
89

___________________________________________________________
8.20.2. Qual processo de fabricao mais rpido quando o controle de
qualidade A1 utilizado? Utilize o teste de Tukey, se necessrio. Justifique a
sua resposta.
8.21. Uma fbrica de automveis realizou um experimento fatorial segundo o
delineamento inteiramente casualizado com seis repeties, para verificar o
efeito de dois fatores sobre o consumo de combustvel. O primeiro fator se
refere ao mtodo de acelerao: eletrnica (A1) ou via cabo mecnico (A2). O
outro fator se refere ao porte do motor: pequeno (B1), mdio (B2) ou grande
(B3). Os nveis destes dois fatores foram combinados, obtendo-se um total de
seis tratamentos. Foram montados 36 carros e o consumo destes carros,
expresso em km/l, foram medidos. Os totais observados para cada tratamento
foram
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
7,11
B
122,99
A*B
Tratamentos
Resduo
48,67
Total
178,89
Baseado nestas informaes e usando o nvel de 1% de signficncia, pede-se:
8.21.1. Os fatores mtodo de acelerao e porte do motor atuam
independentemente sobre o consumo de combustvel dos carros? Justifique a
sua resposta.
8.21.2. Qual mtodo de acelerao proporciona maior consumo? Utilize o teste
de Duncan se necesrio. Justifque a sua resposta.
8.22. Foram obtidos os seguintes resultados parciais com a realizao de um
experimento com dois fatores A e B, instalado segundo o DBC com 3 blocos:
Resumo (incompleto) da ANOVA
FV
A
B
AxB
(Trat)
Blocos
Resduo
Total
GL
SQ
QM
10315,33
180,00
90

____________________________________________________________
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 nvel de 5% de significncia, pede-se:
8.22.1 Os fatores A e B atuam independentemente?
8.22.2 Proceda ao estudo do fator B dentro do nvel A2 e conclua (use o teste
de Tukey se necessrio).
8.22.3. Supondo que o teste F da anlise de varincia para o estudo de A
dentro de B2 foi significativo, proceda ao teste de Tukey para comparar os
nveis de A dentro de B2.
91

___________________________________________________________
8.23. Em um experimento fatorial instalado segundo o delineamento
inteiramente casualizado, foram testados trs tipos de suplementos minerais
(Fator A) e dois tipos de suplementos vegetais (Fator B) no confinamento de
bovinos. Os ganhos de peso obtidos pelos animais em teste foram:
Tratamentos
A1B1
A1B2
A2B1
A2B2
A3B1
A3B2
1
35,2
32,8
34,7
28,6
33,8
30,8
Fator A
1
2
3
Totais
FV
A
B
AxB
(Trat)
Resduo
Total
GL
Repeties
2
3
36,0
35,0
34,6
36,7
36,3
35,1
31,1
29,0
29,4
28,8
31,4
32,8
Fator B
1
2
141,6 139,3
142,5 117,3
121,2 126,3
405,3 382,9
SQ
71,34
4
35,4
35,2
36,4
28,6
29,2
31,3
Totais
141,6
139,3
142,5
117,3
121,2
126,3
Totais
280,9
259,8
247,5
788,2
QM
154,33
33,59
188,22

8.23.1 O valor do F calculado para testar o efeito da interao entre os fatores
A e B.
8.23.2. O valor do F calculado para comparar os nveis de B dentro do nvel A2
8.23.3. O valor do F calculado para comparar os nveis de A dentro do nvel B2
92

____________________________________________________________
8.24. Em um experimento instalado segundo o delineamento inteiramente
casualizado, com 4 repeties, foram estudados os fatores A e B, com 3 e 2
nveis respectivamente. Deste experimento, so fornecidas as seguintes
informaes:
FV
A
B
AxB
(Trat)
Resduo
Total
Fator B
B1
B2
Totais
GL
SQ
92,86
19,08
QM
(175,70)
198,70
Ttotais de Tratamentos
Fator A
A1
A2
A3
102,6
103,5
80,2
101,3
78,3
85,3
181,8
165,5
203,9
Totais
286,3
264,9
551,2
Com base nas informaes fornecidas, pede-se (use o nvel de 1% de

significncia quando necessrio)
8.24.1. Os fatores A e B atuam independentemente?
8.24.2. Existe diferena entre os nveis de A dentro do nvel B1?
8.24.3. Qual o nvel de B apresenta maior mdia dentro do nvel A2? Use o
teste de Tukey, se necessrio.
93

___________________________________________________________
8.25 Foi realizado um experimento, instalado segundo o delineamento
inteiramente casualizado no esquema fatorial, para avaliar o efeito do fator
Recipiente e do fator Espcie na altura da muda aos 80 dias de idade. Os
nveis do fator recipiente avaliados foram saco plstico pequeno, saco plstico
grande e saco laminado, daqui por diante identificados como R1, R2 e R3,
respectivamente. Os nveis do fator espcie avaliados foram Eucalyptus
citriodora e Eucalyptus grandis daqui por diante identificados como, E1 e E2,
respectivamente de eucalipto. Os valores observados, em cm, foram
Tratamentos
1 R1E1
2 R1E2
3 R2E1
4 R2E2
5 R3E1
6 R3E2
1
26,2
24,8
25,7
19,6
22,8
19,8
Repeties
2
3
26,0
25,0
24,6
26,7
26,3
25,1
21,1
19,0
19,4
18,8
21,4
22,8
4
25,4
25,2
26,4
18,6
19,2
21,3
Totais
102,6
101,3
103,5
78,3
80,2
85,3
Usando =1%
a) Os fatores, Recipiente e Espcie, atuam independentemente na
altura das mudas?
b) Levando em considerao o teste F para a interao entre os fatores,
indique qual(is) nvel(is) de Recipiente proporcionou(aram) maior
mdia de altura das mudas? Use o teste de Tukey quando
necessrio.
c) Idem para Espcie. Use o teste de Tukey quando necessrio.
d) Utilize os testes de Scheff e t para testar os contrastes apropriados,
os quais foram elaborados pelo pesquisador durante o planejamento
deste experimento
Interao
Significativa
No-signficativa
Fator
Recipiente
C1 = mR1/E1 + mR2/E1 2mR3/E1
C3 = mR1 + mR2 2mR3
Espcie
C2 = mE1/R1 mE2/R1
C4 = mE1 mE2
Informao adicional: Quadro de Totais de Tratamentos

Recipientes
Espcies
R1
R2
R3
Totais
E1
102,6 (4)
103,5
80,2
286,3 (12)
E2
101,3
78,3
85,3
264,9 (12)
Totais
203,9 (8)
181,8
165,5
551,2 (24)
Observao: Este exerccio foi adaptado de BANZATTO e KRONKA (1989)
94

___________________________________________________________
9. Experimentos em Parcelas Subdivididas

9.1. Introduo
Tal como no caso de fatorial, o termo parcelas subdivididas no se
refere a um tipo de delineamento e sim ao esquema do experimento, ou seja,
a maneira pela qual os tratamentos so organizados. Nos experimentos em
parcelas subdivididas, em geral, estuda-se simultaneamente dois tipos de
fatores os quais so geralmente denominados de fatores primrios e fatores
secundrios.
Em um experimento em parcelas subdivididas, as unidades
experimentais so agrupadas em parcelas as quais devem conter um nmero
de unidades experimentais (subparcelas) igual ao nmero de nveis do fator
secundrio. Na instalao os nveis do fator primrio so distribudos s
parcelas segundo um tipo de delineamento experimental (DIC, DBC, etc...).
Posteriormente os nveis do fator secundrio so distribudos ao acaso as
subparcerlas de cada parcela.
Como a variao residual entre subparcelas esperada ser menor do
que entre parcelas, deve-se escolher como fator secundrio, o fator que se
espera apresentar menor diferenas, ou para o qual deseja-se maior
preciso.
s vezes o pesquisador pode optar entre um experimento com
parcelas subdivididas e um experimento fatorial. Para a escolha do esquema
em parcelas subdivididas, o pesquisador pode se basear nos seguintes
critrios (VIEIRA, 1989):
1 - a parcela uma unidade "fsica" (um vaso, um animal, uma pessoa)
que pode receber vrios nveis de um fator secundrio;
2 - o fator principal exige "grandes parcelas" - como o caso da
irrigao e de processos industriais;
3 - o pesquisador quer comparar nveis de um fator secundrio com
maior preciso.

O modelo estatstico, para um experimento em parcelas subdivididas,
varia de acordo com o tipo de delineamento utilizado. Assim, para um
experimento instalado segundo o DIC, em que o fator A o fator primrio e o
fator B o fator secundrio, o modelo estatstico :
Yijk = m + i + ik + j + ( )ij + eijk
em que,
Yijk o valor observado para a varivel em estudo referente a k-sima
repetio da combinao do i-simo nvel do fator A com o j-simo

nvel do fator B;
a mdia de todas as unidades experimentais para a varivel em
estudo;
o efeito do i-simo nvel do fator A no valor observado Yijk ;
o efeito do j-simo nvel do fator B no valor observado Yijk ;
95
Cap 9 Experimentos em Parcelas Subdivididas

___________________________________________________________
( )ij o efeito da interao do i-simo nvel do fator A com o j-simo

nvel do fator B;
ik o efeito residual das parcelas, caracterizado como componente do
erro (a);
e ijk o efeito residual das subparcelas, caracterizado como
componente do erro (b).
Para um experimento em parcelas subdivididas instalado segundo o
DBC, com K blocos, o modelo estatstico seria:
Y = m + + + + ( )ij + + e
ijk
i
j
k
ijk
ik
em que,
k o efeito do k-simo bloco na observao Yijk .
9.3. Quadro de tabulao de dados

O quadro de tabulao de dados de um experimento em parcelas
subdivididas similar ao usado para tabular os dados de um experimento em
fatorial. O quadro a seguir, ilustra a tabulao de dados de um experimento
em parcelas subdivididas, no qual o fator primrio representado pelo fator A
com I nveis, e o fator secundrio representado pelo fator B com J nveis:
A1
Repetio B1 B2 ...
Y111 Y121 ...
1
Y112 Y122 ...
2
...
... ... ...
Y11K Y12K ...
K
Y11 Y12 ...
Total
BJ
Y1J1
Y1J2
...
Y1JK
Y1J
A2
B1 B2 ...
Y211 Y221 ...
Y212 Y222 ...
... ... ...
Y21K Y22K ...
Y21 Y22 ...
BJ
Y2J1
Y2J2
...
Y2JK
...
...
...
...
...
Y2J
...
AI
B1 B2 ...
YI11 YI21 ...
YI12 YI22 ...
... ... ...
YI1K YI2K ...
YI1 YI2 ...
BJ
YIJ1
YIJ2
...
YIJK
YIJ
Deste quadro, pode-se tirar algumas informaes que posteriormente

sero teis na anlise de varincia:
K
Total do ij-simo tratamento: ( AB) ij = Yijk = Yi j
Total do i-simo nvel do fator A: A i =

Total do j-simo nvel do fator B: B j =
Total Geral: G =
I,J,K
i =1
j =1
k =1
J,K
ijk
= Yi
ijk
= Y j
j =1,k =1
I,K
i =1,k =1
Yijk = A i = B j = YL
i =1, j =1,k =1
Total de Parcelas: Pz = Yijk

j =1
Total de Blocos: W k =
I,J
i =1, j =1
ijk
96

___________________________________________________________
-
Ai =
Mdia do i-simo nvel do fator A: m
Bi =
Mdia do j-simo nvel do fator B: m
=
Mdia geral: m
G
N
Nmero de parcelas Z = IK
Nmero total de subparcelas: NT=IJK
Ai
JK
Bj
IK
Para experimentos em parcelas subdivididas, pode-se montar dois

quadros auxiliares. O primeiro deles idntico ao visto para experimentos
fatoriais que o quadro de totais de tratamentos, cujos valores so obtidos
pela soma de todas as repeties para o tratamento em questo. Para a
situao citada, o quadro de totais de tratamentos 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 clculo das somas de quadrados de parcelas. Para a
situao acima, o quadro de totais de parcelas 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. Anlise de varincia

A anlise de varincia de um experimento em parcelas subdivididas
feita desdobrando os efeitos das parcelas e das subparcelas nas partes que
as compem. Para cada um destes desdobramentos, existe um resduo, o
qual utilizado para testar o efeito das fontes de variao pertinentes.
O quadro a seguir apresenta como seria a anlise de um experimento
instalado segundo o DBC com K repeties no esquema em parcelas
subdivididas, em que o fator A com I nveis foi designado s parcelas e o
fator B com J nveis foi designado s subparcelas
97

___________________________________________________________
FV
Blocos
GL
(K-1)
SQ
SQBlocos
QM
SQA
(I 1)
F
-
(I-1)
SQA
Resduo(a)
(I-1)(K-1)
SQRes(a)
Parcelas
IK-1
SQParcelas
(J-1)
SQB
AxB
(I-1)(J-1)
SQAxB
Resduo(b)
n2 = I(J-1)(K-1)
SQRes(b)
SQ Re sduo(b)
I(J 1)(K 1)
Total
IJ K- 1
SQTotal
Ftab;
SQ Re sduo(a)
(I 1)(K 1)
SQB
(J 1)
SQAxB
(I 1)(J 1)
[(I-1)(J-1); n2]
QMAxB
QM Re s(b)
em que:
I,J,K
SQTotal =
2
Yijk
C
i=1, j=1,k =1
SQParcelas =
z =1
I,J,K
Yijk
i=1, j=1,k =1
C=
IJK
I,J
SQTrat =
C
i=1, j =1
SQBlo cos =
Yij2.
K
SQA =
WK2
C
IJ
K =1
A I2
JK C
i=1
SQB =
B 2J
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 anlise dos dados oriundos de um

experimento em parcelas subdivididas deve-se inicialmente proceder ao teste
F para a interao entre os fatores. As hipteses para o teste F da interao
so:
H0 : Os fatores A e B atuam independentemente sobre a varivel
resposta em estudo.
Ha : Os fatores A e B no atuam independentemente sobre a varivel
resposta em estudo.
O resultado deste teste F para a interao indica como as
comparaes dos nveis de um fator devem ser realizadas. Temos dois
resultados possveis para o teste F da interao os quais sero apresentados
a seguir.
98

___________________________________________________________
9.4.1 Interao no-significativa

Este caso ocorre quando a hiptese H0 para a interao entre os
fatores no rejeitada. Este resultado implica que os efeitos dos fatores
atuam de forma independente.
Portanto recomenda-se que as comparaes dos nveis de um fator
sejam feitas de forma geral em relao ao outro fator, ou seja, independente
dos nveis outro fator. O passo seguinte na anlise estatstica dos dados
experimentais proceder ao teste F para cada fator como ilustrado na tabela
apresentada a seguir para o caso do DBC.
FV
Blocos
GL
(K-1)
SQ
SQBlocos
QM
SQA
(I 1)
F
QMA
QM Re s(a)
(I-1)
SQA
Resduo(a)
n2 = (I-1)(K-1)
SQRes(a)
SQ Re s(a)
(I 1)(K 1)
Parcelas
IK-1
SQParcelas
(J-1)
SQB
AxB
(I-1)(J-1)
SQAxB
Resduo(b)
n3 = I(J-1)(K-1)
SQRes(b)
SQ Re s(b)
I(J 1)(K 1)
Total
IJ K- 1
SQTotal
SQB
(J 1)
SQAxB
(I 1)(J 1)
QMB
QM Re s(b)
Ftab;
[(I-1); n2]
[(J-1); n3]
no-signficativo
As hipteses para realizar o teste F para os efeitos principais so

Fator A
H0 : m A1 = m A 2 =...= m AI
ou seja, todos os possveis contrastes entre as
mdias dos nveis do fator A, so estatisticamente nulos, ao nvel de
H a : no H 0 ou seja, existe pelo menos um contraste entre as mdias dos
nveis do fator A, que estatisticamente diferente de zero, ao nvel de
Fator B
H0 : mB1 = m B 2 =...= mBJ
ou seja, todos os possveis contrastes entre as
mdias dos nveis do fator B, so estatisticamente nulos, ao nvel de
H a : no H 0 ou seja, existe pelo menos um contraste entre as mdias dos
nveis do fator B, que estatisticamente diferente de zero, ao nvel de
Se os fatores A e B forem qualitativos, e o teste F para A e/ou B, for no
significativo, a aplicao do teste de mdias desnecessria. Se o teste F for
significativo, para A e/ou B, aplica-se um teste de mdias para comparar os
99

___________________________________________________________
nveis do fator. As estimativas das mdias dos nveis dos fatores so obtidas
por
A
Fator A m Ai = i
Fator B mBj =
JK
Bj
IK
Para realizar o teste de Tukey para comparar as medias dos nveis dos
QM Re s(a)
JK
(I;n2)
QM Re s(b)
IK
(J;n3)

Di
QM Re s(a)
JK
(nA;n2)
QM Re s(b)
IK
(nB;n3)

As hipteses para os testes Tukey e Duncan para comparar as mdias
dos nveis dos fatores so
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
t
ttab
C
C
A
A
QM Re s(a)
JK
2
i
t (n2)
i=1
C
C
B
B
QM Re s(b)
IK
Em que
CA = a1mA1 + a2mA2 + ... + aImAI
CB = b1mB1 + b2mB2 + ... + bjmBJ
2
i
t (n3)
j =1
100

___________________________________________________________
que usar
S
A
B
S = (I 1)Ftab
S = (J 1)Ftab
Ftab
QM Re s(a)
JK
QM Re s(b)
IK
2
i
F [(I -1); n2]
i =1
J
b
j=1
2
i
F [(J -1); n3]

9.4.2 Interao significativa

Este caso ocorre quando a hiptese H0 para a interao entre os
fatores rejeitada. Este resultado implica que os efeitos dos fatores atuam de
forma dependente. Neste caso as comparaes entre os nveis de um fator
levem em considerao o nvel do outro fator, pois o resultado significativo
para a interao indica que o efeito de um fator depende do nvel do outro
fator.
Portanto, no recomendado realizar o teste F para cada fator
isoladamente tal como foi apresentado para o caso da interao nosignificativa. O procedimento recomendado realizar o desdobramento do
efeito da interao.
Para realizar este desdobramento deve-se fazer uma nova anlise de
varincia em que os nveis de um fator so comparados dentro de cada nvel
do outro fator, tal como apresentado nas tabelas a seguir.
Para comparar os nveis de um fator principal em cada nvel do fator
secundrio, necessrio fazer uma combinao das duas estimativas obtidas
para o erro experimental bem como do nmero de graus de liberdade
associado as mesmas. Esta combinao denominada de resduo
combinado (ResComb). A estimativa do quadrado mdio deste resduo
combinado obtida por
QM Re sComb =
QM Re s(a) + (J 1)QM Re s(b)

J
O nmero de graus de liberdade associado a esta estimativa obtido

pela frmula 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.l.Re s(a )
g.l.Re s(b )
Desdobramento para comparar os nveis de A dentro de cada nvel de

B, ou seja estudar A/B
101

___________________________________________________________
FV
GL
SQ
A/B1
(I-1)
SQA/B1
A/B2
(I-1)
SQA/B2
...
...
...
A/BJ
(I-1)
SQA/BJ
ResCom
b
Total
QM
SQA / B1
(I 1)
SQA / B2
(I 1)
...
SQA / BJ
(I 1)
QMResCom
b
-
n*
IJK - 1
SQTotal
F
QMA / B1
QM Re sComb
QMA / B2
QM Re sComb
...
QMA / BJ
QM Re sComb
Ftab,
[(I-1);n*]
[(I-1);n*]
...
[(I-1);n*]
As hipteses para testar as fontes de variao da tabela acima, para

j=1, 2, 3, ..., J, so
H0 : mA1/Bj = mA2/Bj = ... = mAI/Bj
H a : no H 0
Desdobramento para comparar os nveis de B dentro de cada nvel de
A, ou seja estudar B/A
FV
GL
SQ
B/A1
(J-1)
SQB/A1
B/A2
(J-1)
SQB/A2
...
...
...
B/AI
(J-1)
SQB/AI
Res(b
)
Total
n3
IJK - 1
SQTotal
QM
SQB / A1
(J 1)
SQB / A 2
(J 1)
...
SQB / AI
(J 1)
QMRes(b
)
-
F
QMB / A1
QM Re s(b)
QMB / A 2
QM Re s(b)
...
QMB / AI
QM Re s(b)
Ftab,
[(J-1);n3]
[(J-1);n3]
...
[(J-1);n3]
As hipteses para testar as fontes de variao da tabela acima, para

i=1, 2, 3, ..., I, so
H0 : mB1/Ai = mB2/Ai = ... = mBJ/Ai
H a : no H 0
Em que as SQA/Bj e SQB/Ai podem ser obtidas usando a frmula
geral para a soma de quadrados dada por
k
SQ =
i=1
X i2
ri
i=1
k
Xi
i =1
Se os fatores forem qualitativos, procede-se ao teste F para cada fonte

de variao do desdobramento. Nas fontes de variao em que o teste F foi
significativo e o fator tem mais de dois nveis, recomenda-se a aplicao de
um teste de mdias. As estimativas das mdias dos nveis dos fatores so
obtidas por
102

___________________________________________________________
A
Fator A m Ai = i
Fator B mBj =
K
Bj
K
Para realizar o teste de Tukey para comparar as mdias dos nveis dos
QM Re sComb
K
(I;n*)
QM Re s(b)
K
(J;n3)

Di
zi
QM Re sComb
K
(nA;n*)
zi
QM Re s(b)
K
(nB;n3)

As hipteses para os testes Tukey e Duncan para comparar as mdias
dos nveis dos fatores so
Fator A:
H0 : mAi/Bj = mAu/Bj vs Ha : mAi/Bj mAu/Bj para i u = 1, 2, 3, ... , I e j = 1, 2, ... ,
J
Fator B:
H0 : mBj/Ai = mBu/Ai vs Ha : mBj/Ai mBu/Ai para j u = 1, 2, 3, ... , J e i = 1, 2, ... ,
I
t
ttab
C
C
A
A
QM Re sComb
K
a i2
t (n*)
i=1
C
C
B
B
QM Re s(b)
K
2
j
t (n3)
j =1
Em que
103

___________________________________________________________
CA = a1mA1/Bj + a2mA2/Bj + ... + aImAI/Bj para j = 1, 2, ..., J e
CB = b1mB1/Ai + b2mB2/Ai + ... + bjmBJ/Ai para i = 1, 2, ... , I
que usar
S
A
B
S = (I 1)Ftab
S = (J 1)Ftab
Ftab
QM Re sComb
K
QM Re s(b)
K
2
i
F [(I -1); n*]
i =1
b
j=1
2
j
F [(J -1); n3]

9.5. Vantagens e desvantagens

Em comparao com experimentos fatoriais, experimentos em
parcelas subdivididas so mais fceis de instalar. No entanto, existe duas
estimativas de varincia residual: uma associada s parcelas e outra
associada s subparcelas. Este desdobramento da varincia residual faz com
que o nmero de graus de liberdade associado a cada um dos resduos seja
menor do o associado ao resduo se o experimento tivesse sido instalado
segundo o esquema fatorial.
Conseqentemente, h uma tendncia de se obter maior valor para a
estimativa do erro experimental. Portanto, em experimentos com parcelas
subdivididas, todos os efeitos so avaliados com menor preciso que nos
experimentos fatoriais correspondentes. Por isso, sempre que possvel,
prefervel utilizar experimentos fatoriais em lugar dos experimentos em
parcelas subdivididas.
104

___________________________________________________________
9.6. Exerccios
9.1. Considere um experimento instalado segundo o DBC e no esquema em
parcelas subdivididas no qual so comparadas 4 variedades de aveia e 4
tratamentos de sementes (3 produtos qumicos + testemunha no tratada)
quanto aos efeitos de produo. Na instalao do experimento, as 4
variedades foram distribudas ao acaso nas parcelas de cada um dos 4
blocos do experimento e os tratamentos de sementes foram distribudos ao
acaso nas 4 subparcelas de cada parcela (BANZATTO & KRONKA, 1989).
Com base nos resultados fornecidos a seguir, pede-se, usando o nvel de 5%
de probabilidade, proceder a anlise de varincia e aplicar o teste Tukey,
quando necessrio:
Variedades
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
1
42,9
53,8
49,5
44,4
190,6
53,3
57,6
59,8
64,1
234,8
62,3
63,4
64,5
63,6
253,8
75,4
70,3
68,8
71,6
286,1
965,3
Blocos
2
3
41,6
28,9
58,5
43,9
53,8
40,7
41,8
28,3
195,7
141,8
69,6
45,4
69,6
42,4
65,8
41,4
57,4
44,1
262,4
173,3
58,5
44,6
50,4
45,0
46,1
62,6
56,1
52,7
211,1
204,9
65,6
54,0
67,3
57,6
65,3
45,6
69,4
56,6
267,6
213,8
936,8
733,8
4
30,8
46,3
39,4
34,7
151,2
35,1
51,9
45,4
51,6
184,0
50,3
46,7
50,3
51,8
199,1
52,7
58,5
51,0
47,4
209,6
743,9
Totais
Trat
144,2
202,5
183,4
149,2
679,3
203,4
221,5
212,4
217,2
854,5
215,7
205,5
223,5
224,2
868,9
247,7
253,7
230,7
245,0
977,1
3379,8
(4)
A1
A2
A3
A4
Totais (16)
BLOCO 1
190,6
234,8
253,8
286,1
965,3
Totais de Parcelas
BLOCO 2
BLOCO 3
195,7
141,8
262,4
173,3
211,1
204,9
267,6
213,8
936,8
733,8
BLOCO 4
151,2
184,0
199,1
209,6
743,9
Totais (16)
679,3
854,5
868,9
977,1
3379,8 (64)
(4)
A1
A2
A3
A4
Totais (16)
B1
144,2
203,4
215,7
247,7
811,0
B2
B3
202,5
183,4
221,5
212,4
205,5
223,5
253,7
230,7
883,2
850,0
B4
149,2
217,2
224,2
245,0
835,6
Totais (16)
679,3
854,5
868,9
977,1
3379,8 (64)
105

___________________________________________________________
9.2. Para se estudar o brix de mangas de acordo com a variedade e a
posio dos frutos em relao aos pontos cardeais, um pesquisador
procedeu a coleta de 4 frutos, cada um deles de um ponto cardeal, em cada
um dos 3 exemplares de cada uma das 5 variedades em teste. Com base
nos resultados (brix) fornecidos a seguir (GOMES, 1987), pede-se usando o
nvel de 5% de probabilidade, proceder a anlise de varincia e o teste
Duncan quando necessrio.
Variedades
A1 Carlota
Totais Trat
A2 Extrema
Totais Trat
A3 Oliveira
Totais Trat
A4 Bourbon
Totais Trat
A5 Imperial
Totais Trat
Totais
A1
A2
A3
A4
A5
B1
Norte
18,0
17,5
17,8
53,3
16,3
16,6
15,0
47,9
16,0
19,5
16,3
51,8
16,6
15,9
17,5
50,0
18,9
18,5
21,5
58,9
261,9
Totais de Parcelas
REP 1 REP 2 REP 3
70,3
71,6
68,8
67,0
64,7
60,1
66,2
64,7
65,1
61,5
64,4
68,4
69,8
68,7
72,8
Totais
210,7
191,8
196,0
194,3
211,3
1004,1
B2
Sul
17,1
18,8
16,9
52,8
15,9
14,3
14,0
44,2
16,2
14,9
16,4
47,5
15,2
13,2
15,8
44,2
18,6
13,7
16,4
48,7
237,4
B3
Leste
17,6
18,1
17,6
53,3
16,5
16,3
15,9
48,7
17,9
15,0
16,0
48,9
14,2
18,0
16,7
48,9
15,3
18,2
18,3
51,8
251,6
B4
Oeste
17,6
17,2
16,5
51,3
18,3
17,5
15,2
51,0
16,1
15,3
16,4
47,8
15,5
17,3
18,4
51,2
17,0
18,3
16,6
51,9
253,2
Totais
Parc
70,3
71,6
68,8
Totais
210,7
67,0
64,7
60,1
191,8
66,2
64,7
65,1
196,0
61,5
64,4
68,4
194,3
69,8
68,7
72,8
1004,1
B1
B2
B3
B4
A1
53,3 52,8 53,3 51,3
A2
47,9 44,2 48,7 51,0
A3
51,8 47,5 48,9 47,8
A4
50,0 44,2 48,9 51,2
A5
58,9 48,7 51,8 51,9
Totais 261,9 237,4 251,6 253,2
211,3
1004,1
Totais
210,7
191,8
196,0
194,3
211,3
1004,1
106

___________________________________________________________
9.3. Um pesquisador, com o objetivo de verificar o efeito da dose de
adubao fosfatada e o seu tipo de aplicao na cultura do milho, instalou um
experimento no qual cada uma as doses de adubao fosfatada constituram
as parcelas as quais foram distribudas segundo o DBC e o tipo de aplicao
as subparcelas. Com base nos resultados fornecidos abaixo, referentes a
produo de milho (kg/ha), pede-se ao nvel de 5% de probabilidade,
proceder a anlise de varincia e ao teste Tukey quando necessrio
(FERREIRA, 1991).
Doses
0
40
80
120
Tipos de Aplicao
cova
sulco
lano
Totais de Parcelas
cova
sulco
lano
Totais de parcelas
cova
sulco
lano
Totais de parcelas
cova
sulco
lano
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
9.4. Suponha que para um experimento instalado segundo o delineamento

inteiramente casualizado e no esquema de parcelas subdivididas com 3
repeties, foram obtidos os seguintes resultados:
FV
Fator A
Resduo(a)
(Parcelas)
Fator B
Interao A*B
Resduo(b)
Total
GL
SQ
29,55
15,71
(45,26)
20,60
20,12
51,60
137,58
QM
A1
A2
A3
A4
A5
Totais
B1
53,3
47,9
51,8
50,0
58,9
261,9
B2
52,8
44,2
47,5
44,2
48,7
237,4
B3
53,3
48,7
48,9
48,9
51,8
251,6
B4
51,3
51,0
47,8
51,2
51,9
253,2
Totais
210,7
191,8
196,0
194,3
211,3
1004,1
107

___________________________________________________________
Usando o nvel de 5% de significncia quando necessrio, pede-se:
9.4.1. Os fatores A e B atuam independentemente? Justifique sua resposta.
9.4.2. Existe diferena entre os nveis de B pelo teste F da anlise de
varincia?
9.4.3. Se o objetivo obter menores mdias, qual(is) o(s) nvel(is) de B que
devem ser recomendados? (Use o teste de Duncan, se necessrio).
9.5. Considere os resultados obtidos de um experimento instalado segundo o
delineamento inteiramente casualizado no esquema de parcelas subdivididas
e o nvel de 5% de significncia quando necessrio:
Totais de Parcelas
A1
A2
A3
A4
A5
Repeties
1
2
3
50,3
51,6
48,8
27,0
24,7
20,1
26,2
24,7
25,1
21,5
24,4
28,4
69,8
68,7
72,8
Totais
150,7
71,8
76,0
74,3
211,3
B1
B2
B3
B4
A1
38,3
37,8
38,3
36,3
A2
17,9
14,2
18,7
21,0
A3
21,8
17,5
18,9
17,8
A4
20,0
14,2
18,9
21,2
A5
58,9
48,7
51,8
51,9
Totais 156,9 132,4 146,6 148,2
FV
A
Res(a)
Parcelas
B
Interao A*B
Res(b)
Total
GL
Totais
150,7
71,8
76,0
74,3
211,3
584,1
Anlise de Varincia
SQ
QM
1297,95
20,59
1405,97
Com base nestas informaes, pede-se:

9.5.1. O valor do F calculado para testar a interao entre os fatores A e B.
9.5.2. O valor do F calculado para o fator A.
9.5.3. O(s) nvel(is) de A que apresentou(aram) a(s) maior(es) mdia(s)
usando o teste de Tukey.
9.5.4. O valor do F calculado para o fator B.
9.5.5. O(s) nvel(is) de B que apresentou(aram) a(s) maior(es) mdia(s)
usando o teste de Tukey.
108

___________________________________________________________
9.6. Considere os resultados obtidos de um experimento instalado segundo o
delineamento inteiramente casualizado, com 3 repeties, no esquema de
parcelas subdivididas e o nvel de 5% de significncia, quando necessrio:
A1
A2
A3
A4
A5
Totais
FV
A
Res(a)
(Parcelas)
B
AxB
Res(b)
Total
B1
B2
B3
B4
53,3
52,8
53,3
51,3
47,9
44,2
48,7
51,0
51,8
47,5
48,9
47,8
50,0
44,2
48,9
51,2
58,9
48,7
51,8
51,9
261,9 237,4 251,2 253,2
GL
Totais
210,7
191,8
196,0
194,3
211,3
1004,1
Anlise de Varincia
SQ
QM
29,55
(45,26)
20,60
137,58
SQTratamentos = 70,26
9.6.1. Os fatores A e B atuam independentemente? Justifique a sua resposta.
9.6.2. Baseado no resultado do teste F para a interao, proceda ao estudo
do fator B, indicando qual(is) nvel(is) de B que apresenta(m) maior(es)
mdia(s). Use o teste de Tukey, se necessrio.
9.7. Num artigo cientfico foram apresentados os resultados abaixo referente
a um experimento em parcelas subdivididas instalado segundo o
delineamento em blocos casualizados, com 5 repeties, em que o fator A foi
distribudo s parcelas e o fator B foi distribudo s subparcelas:
Quadro de MDIAS de Tratamentos
B1
B2
A1
23,80
21,60
22,70 A
A2
14,00
11,60
12,8 B
A3
13,20
13,60
13,40 B
17,00 a
15,60 b
As mdias seguidas por uma mesma letra maiscula na linha, ou por

uma mesma letra minscula na coluna, no diferem entre si ao nvel de 5%
de probabilidade, pelo teste de Tukey e pelo teste F, respectivamente.
Dados:
SQRes(b) = 26,60
109

___________________________________________________________
No entanto, o autor no menciona no seu artigo um teste para a interao
entre os fatores A e B. Com base nas informaes acima, pede-se usando
= 5% :
9.7.1. Aplique o teste F para a interao entre os fatores A e B.
9.7.2. Baseado no resultado do teste F obtido no item anterior, os
procedimentos adotado para comparar os nveis de A e os nveis de B esto
corretos? Justifique a sua resposta. No necessrio conferir os clculos do
autor, apenas discuta se o procedimento adotado coerente com o resultado
do teste F para a interao.
9.8. Abaixo, so mostrados os dados de um experimento em blocos ao acaso
com parcelas subdivididas, onde o fator A com trs nveis foi casualizado nas
parcelas e o fator B com dois nveis foi casualizado nas subparcelas.
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 interao AxB e proceda s comparaes dos nveis

dos fatores A e B pelo teste de Tukey, se necessrio, de acordo com o
resultado de significncia para a interao. Utilize = 5%.
9.9. Considere um experimento em parcelas subdivididas no delineamento
inteiramente casualizado com 4 repeties, onde o fator A foi casualizado nas
parcelas e fator B casualizado nas subparcelas, sendo dados:
A1
A2
B1
20,4
11,3
31,7
B2
19,7
10,6
30,3
B3
32,3
18,0
50,3
72,4
39,9
112,3
SQParcelas = 55,9836 e SQTotal = 121,4907.

Efetue o teste F para a interao AxB e proceda s comparaes dos nveis
dos fatores A e B pelo teste de Duncan, se necessrio, de acordo com o
resultado de significncia para a interao. Utilize = 5%.
110

____________________________________________________________________
10. Regresso
10.1. Introduo
Um fator em estudo num experimento pode ser classificado como qualitativo ou
quantitativo. Um fator qualitativo aquele onde os seus nveis diferem por algum atributo
qualitativo. Como exemplos tm-se variedades, tipos de defensivos, mtodos de conduzir
uma determinada tarefa, etc. Por outro lado, um fator quantitativo aquele onde os nveis
se diferem com relao a quantidade do fator. Como exemplos tm-se temperatura,
umidade, concentrao de um princpio ativo, nveis de insumo, pH, etc.
Quando o fator qualitativo, deve-se proceder anlise de varincia dos dados e s
comparaes entre mdias dos nveis do fator usando algum dos procedimentos para
comparaes mltiplas, quando o F for significativo. Para o caso de um fator quantitativo,
deve-se estudar o efeito do fator quantitativo p r meio de uma relao funcional entre o
mesmo e a varivel resposta. A tcnica indicada neste caso a anlise de regresso.
A anlise de regresso consiste na realizao de uma anlise estatstica com o
objetivo de verificar se a relao funcional estabelecida entre um fator quantitativo e uma
varivel resposta significativa. Em outras palavras, consiste na obteno de uma
equao que tenta explicar a variao significativa de uma varivel resposta em funo da
variao dos nveis de um ou mais fatores quantitativos.
10.2. Escolha do modelo para equacionar o fenmeno em estudo

Para tentar estabelecer uma equao que representa o fenmeno em estudo,
pode-se plotar um diagrama de disperso para verificar como se comportam os valores
da varivel resposta (Y) em funo da variao dos nveis do fator quantitativo (X).
O comportamento de Y em relao a X, pode se apresentar de diversas maneiras:
linear, quadrtico, cbico, exponencial, logartmico, etc... . Para se estabelecer o modelo
para explicar o fenmeno, deve-se verificar qual tipo de curva e equao de um modelo
matemtico que mais se aproxime dos pontos plotados no diagrama de disperso.
Contudo, pode-se verificar que os pontos do diagrama de disperso, no vo se
ajustar perfeitamente curva do modelo matemtico proposto. Haver na maioria dos
pontos, uma distncia entre os pontos do diagrama e aqueles obtidos quando a curva do
modelo proposto traada. Isto acontece, devido ao fato do fenmeno que est em
estudo, no ser um fenmeno matemtico e sim um fenmeno que est sujeito a
influncias de inmeros fatores. Assim, o objetivo da regresso obter um modelo
matemtico que melhor se ajuste aos valores observados de Y em funo da variao
dos nveis da varivel X.
O modelo matemtico que ir ser ajustado deve satisfazer as seguintes condies:
- Modelo selecionado deve ser coerente para representar em termos prticos, o
fenmeno em estudo;
- Modelo deve conter apenas as variveis que so relevantes para explicar o
fenmeno.
10.3. Mtodo para obter a equao estimada

Como foi dito anteriormente, os pontos do diagrama de disperso ficam um pouco
distantes da curva do modelo matemtico escolhido. Um dos mtodos que se pode utilizar
para obter a relao funcional, se baseia na obteno de uma equao estimada de tal
forma que as distncias entre os pontos do diagrama e os pontos da curva do modelo
matemtico, no todo, sejam as menores possveis. Este mtodo denominado de Mtodo
dos Mnimos Quadrados (MMQ). Em resumo por este mtodo a soma de quadrados das
111
Cap 10 Regresso
____________________________________________________________________
distncias entre os pontos do diagrama e os respectivos pontos na curva da equao
estimada minimizada, obtendo-se, desta forma, uma relao funcional entre X e Y, para
o modelo escolhido, com um mnimo de erro possvel.
10.3.1. Modelo linear de 1 grau

O modelo estatstico para esta situao seria:
Yi = 0 + 1 X i + e i
em que
Yi o valor observado para a varivel dependente Y no i-simo nvel da varivel
independente X;
0 a constante de regresso. Representa o intercepto da reta com o eixo dos Y;
1 o coeficiente de regresso. Representa a variao de Y em funo da variao
de uma unidade da varivel X;
X i o i-simo nvel da varivel independente X (i = 1,2,K,n) ; e
e i o erro que est associado distncia entre o valor observado Yi e o
correspondente ponto na curva, do modelo proposto, para o mesmo nvel i de X.
Para se obter a equao estimada, vamos utilizar o MMQ, visando a minimizao
dos erros. Assim, tem-se que:
e i = Yi 0 1 X i
elevando ambos os membros da equao ao quadrado,
2
e i2 = [Yi 0 1 X i ]
aplicando o somatrio,
n
i =1
i =1
e i2 = [Yi 0 1 X i ]
(1)
Por meio da obteno de estimadores de 0 e 1 , que minimizem o valor obtido na

expresso anterior, possvel alcanar a minimizao da soma de quadrados dos erros.
Sabemos do Clculo que para se encontrar o mnimo de uma equao deve-se
derivar a equao em relao varivel de interesse, e igualar a derivada resultante ao
valor zero. Portanto, derivando a expresso (1) em relao a 0 e 1 e igualando-as a
zero, obtm-se:
n 2
ei
i=1
=0

0
2
ei
i=1
=0
1
(Y
(Y
1X i ( 1) = 0
i=1
1X i ( X i ) = 0
(Y
n
i=1
1X i = 0
i=1
n
n
n
0
1X i = 0
Yi
i=1
i=1
i=1
n
n
n
X
Y
X
1X i2 = 0
0 i
i i
i=1
i=1
i=1
(Y
n
1X i (X i ) = 0
i=1
Yi n 0 1
i=1
i=1
=0
i=1
Yi X i 0
i=1
X i 1
2
i
=0
i=1
112

____________________________________________________________________
n
n
Y
n
Xi
i
0
1
i=1
i=1
n
n
n
Y
X
X
X i2
i i
0
i
1
i=1
i=1
i=1
Este o sistema de equaes normais, que permite a obteno de estimativas de

0 e 1 , que minimizam a soma de quadrados dos erros.
Uma vez obtidas estas estimativas, podemos escrever a equao estimada:
Yi = 0 + 1 X i
10.3.2. Modelo linear de 2 grau

O modelo estatstico para esta situao seria:
Yi = 0 + 1 X i + 2 X i2 + e i
em que,
Yi o valor observado para a varivel dependente Y no i-simo nvel da varivel
independente X;
0 a constante de regresso;
1 o coeficiente de regresso;
X i o i-simo nvel da varivel independente X (i = 1,2,K,n) ;
2 o coeficiente de regresso;
X i2 o i-simo nvel da varivel independente X, elevado ao quadrado;
e i o erro que est associado distncia entre o valor observado Yi e o
correspondente ponto na curva para o mesmo nvel i de X.
Utilizando o MMQ, no modelo de 2 grau, chegar-se- ao seguinte sistema de

equaes normais, para se obter as estimativas de 0 , 1 e 2 :
n
n
n
2
Y
n
X
=
0
1
i
2 Xi
i
i =1
i =1
i=1
n
n
n
n
2
3
Yi X i = 0 X i + 1 X i + 2 X i
i =1
i =1
i =1
i=1
n
n
n
n
2
2
3
4
Yi X i = 0 X i + 1 X i + 2 X i
i =1
i =1
i =1
i=1
Uma vez obtidas estas estimativas, podemos escrever a equao estimada:

Yi = 0 + 1 X i + 2 X i2
10.4. Anlise de varincia da regresso

A equao estimada obtida, apenas estabelece uma relao funcional, entre a
varivel dependente e a varivel independente, para representar o fenmeno em estudo.
Portanto a simples obteno da equao estimada no responde ao pesquisador se a
variao da varivel independente influencia significativamente na variao da varivel
dependente.
Para se responder a esta pergunta, necessrio realizar um teste estatstico para
as estimativas dos coeficientes da equao de regresso estimada. Um teste que pode
113
Cap 10 Regresso
____________________________________________________________________
ser realizado para verificar tal fato o teste F da anlise de varincia. Portanto,
necessrio realizar uma anlise de varincia dos dados observados, em funo do
modelo proposto.
Contudo, a estratgia da anlise de varincia depende se houve ou no repeties
no experimento.
10.4.1. Apenas um nico valor observado para cada nvel da varivel

independente
Nesta situao no existe repetio. A nica estimativa da varincia residual
aquela dada pela falta de ajuste dos valores observados ao modelo ajustado. O quadro
para a anlise de varincia para a regresso para esta situao do seguinte tipo:
FV
GL
SQ
Regresso
SQReg
Independente da Regresso
n-1-p
SQInd
Total
n-1
SQTotal
QM
SQ Re g
p
SQInd
n 1 p
F
QM Re g
QMInd
Ftab;
(p;n-1-p)
em que,
p = no de coeficientes de regresso (no inclui o 0 )
n = no de observaes.
As frmulas para a obteno das somas de quadrados total e da soma de
quadrados do independente da regresso so as mesmas, tanto para o modelo linear de
1o grau quanto para o de 2o grau, as quais so dadas a seguir:
SQTotal =
Yi2
i=1
Yi
i=1
n
n
SQInd = SQTotal - SQRegresso
J a soma de quadrados para a regresso varia de acordo com o modelo em teste.

1 grau
n
SQ Re gresso = 0
i=1
2 grau
n
Yi + 1
i=1
Yi X i
Yi
i=1
n
n
2
n
SQ Re gresso = 0
Yi + 1
i=1
i=1
Yi X i + 2
i=1
2
Yi X i
Yi
i=1
n
n
As hipteses estatsticas para o teste F so as seguintes:
H 0 : 1 = 2 = ... = p = 0 , o que significa dizer que as p variveis independentes no

exercem influncia na varivel dependente, segundo o modelo proposto.
H a : i 0 , para pelo menos um i, o que significa dizer que pelo menos uma das p
variveis independentes exerce influncia na varivel dependente, segundo o modelo
proposto.
114

____________________________________________________________________
O valor de F da anlise de varincia, deve ser comparado, com o valor de F
tabelado (Ftab ) , o qual se obtm na tabela da distribuio F de acordo com o nvel de
significncia do teste, e o nmero de graus de liberdade para a regresso e independente
da regresso, ou seja:
Ftab = F (p;n 1 p ) .
A regra decisria para o teste F :
- Se F Ftab Rejeita-se H0 ao nvel de significncia que foi realizado o teste. Podese inferir que a varivel independente influncia significativamente a
varivel dependente Y.
- Se F < Ftab No rejeita-se H0 ao nvel de significncia que foi realizado o teste.
Pode-se inferir que a varivel independente no influncia significativamente a
varivel dependente Y.
10.4.2. Mais de um valor observado para cada nvel da varivel

independente
Nesta situao, existe mais de um valor observado para cada nvel da varivel
independente. Assim possvel obter uma estimativa da varincia residual tal como
aquela obtida em modelos de delineamento, o que no possvel quando se tem uma
nica observao para cada nvel da varivel independente.
Normalmente o que se faz numa situao como esta inicialmente proceder a uma
anlise de varincia usual considerando o efeito do fator quantitativo como se fosse a
fonte de variao tratamentos numa anlise de varincia usual. Isto realizado para que
se quantifique a varincia residual. Posteriormente, o efeito de tratamentos desdobrado
nos efeitos associado a um ajuste de um modelo de regresso e tambm a falta de ajuste
deste modelo. A escolha do modelo de regresso a ser ajustado aquele que mais se
aproxima dos pontos mdios observados para cada nvel da varivel independente. O
quadro abaixo resume o que acabou de ser descrito, para uma situao geral em que se
est testando I nveis da varivel independente em um experimento instalado segundo o
delineamento inteiramente casualizado com K repeties. Pressupe-se tambm que se
est testando um modelo de regresso com p coeficientes de regresso. O total de
observaes neste experimento igual a N=IK.
FV
GL
SQ
Regresso
SQReg
Falta de Ajustamento
I 1 p
SQFalta
(Tratamentos)
I1
SQTrat
Resduo
I(K 1)
SQRes
Total
IK 1
SQTotal
QM
SQ Re g
p
SQFalta
I1
SQ Re s
I(J 1)
-
F
QM Re g
QM Re s
QMFalta
QM Re s
-
Ftab;
[p; I(K 1)]
[I 1 p; I(K 1)]
O teste F para a falta de ajustamento realizado para verificar se o modelo

adotado est se ajustando bem aos dados. Se o teste F para a falta de ajustamento for
significativo, indica que o modelo ajustado no apropriado e um novo modelo que se
ajuste melhor aos dados deve ser testado. Se por outro lado, a falta de ajustamento for
no-significativa indica que o modelo adotado se ajusta bem aos dados.
Conseqentemente faz sentido analisar o teste F para a fonte de variao regresso para
saber se a varivel independente tem influncia significativa sobre a varivel dependente.
115
Cap 10 Regresso
____________________________________________________________________
No caso de falta de ajustamento significativa no faz sentido realizar o teste para a
regresso, pois o modelo de regresso no se ajustou significativamente aos dados.
As hipteses para a falta de ajustamento so:
H0: a falta de ajustamento no significativa
Ha: a falta de ajustamento significativa
O valor tabelado de F para a falta de ajustamento encontrado usando
Ftab = F (p; I 1 p )
A regra decisria para o teste F para a falta de ajustamento :
Se F Ftab Rejeita-se H0 ao nvel de significncia que foi realizado o teste. O
modelo adotado no se ajusta bem aos dados. Um novo modelo deve ser testado.
Se F < Ftab No rejeita-se H0 ao nvel de significncia que foi realizado o teste. O
modelo adotado se ajusta bem aos dados. No h necessidade de se testar um novo
modelo. Procede-se ao teste F para regresso.
O teste F para a regresso idntico ao caso anterior, ou seja, com apenas uma
observao para cada nvel da varivel independente.
10.5. Coeficiente de determinao (R2)

O coeficiente de determinao fornece uma informao auxiliar ao resultado da
anlise de varincia da regresso, para verificar se o modelo proposto adequado ou no
para descrever o fenmeno.
Para o caso em que se tem uma nica observao para cada nvel da varivel
independente , o R 2 obtido por :
SQ Re g
R2 =
SQTotal
J para o caso em que se tem mais de um valor observado para cada nvel da
varivel independente, o valor de R 2 obtido por:
SQ Re g
R2 =
SQTrat
2
O valor de R varia no intervalo de 0 a 1. Valores prximos de 1 indicam que o
modelo proposto adequado para descrever o fenmeno.
10.6. Exerccios
10.1. Verificar, utilizando os dados amostrais fornecidos abaixo, se a temperatura tem
influncia significativa sobre o comprimento de uma barra de ao. Utilize o modelo linear
de 1 grau e o nvel de 5% de significncia.
Temperatura (C)
Comprimento (mm)
10
1003
15
1005
20
1010
25
1011
30
1014
10.2. Para verificar se existe uma relao linear de 1 grau entre Umidade Relativa (UR)
do ar da secagem de sementes e a germinao das mesmas, um pesquisador realizou
um teste com 4 diferentes valores para a % de UR do ar que atravessava as sementes
armazenadas, obtendo-se os seguintes valores amostrais:
116

____________________________________________________________________
UR (%)
Germinao (%)
20
94
30
96
40
95
50
97
Ao nvel de 5% de probabilidade, qual seria a concluso do pesquisador? Qual seria a

equao estimada?
10.3. Para o seguinte conjunto de valores de X (varivel independente) e Y (varivel
dependente), faa a anlise de regresso segundo o modelo linear de 1 grau e obtenha a
equao de regresso estimada. Use o nvel de significncia 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 varivel X (dose do

micronutriente Zn em ppm) e a varivel Y (matria seca em g/planta), verifique, usando o
nvel de 5% de probabilidade e o modelo linear de 2 grau, se a relao entre as variveis
X (independente) e Y (dependente) 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 relao entre a quantidade de
rao fornecida e produo de leite por cabras:
Yi = a + bX i + e i
Pede-se por meio dos dados abaixo, verificar se a rao influencia significativamente a
produo de leite ( = 5%) :
Nveis de Rao (g)
Produo 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:

Y = 140,7835 + 0,2737 X 0,000783 X2
SQIndependente da Regresso = 68,1691
7
Yi = 1094,800
i =1
7
Yi X i = 166942,500
i =1
i =1
= 171712,384
YX
i =1
2
i
= 35986875,000
Proceder a anlise de varincia da regresso e concluir ( = 5%)
117
Cap 10 Regresso
____________________________________________________________________
10.7. Para se avaliar o efeito de diferentes dosagens de um micronutriente no
desenvolvimento de duas espcies vegetais, foi realizado em experimento fatorial 4x2 no
D.B.C. com 5 repeties. Aps a coleta e tabulao dos dados (em produo de matria
verde por determinada unidade de rea) 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 anlise de varincia dos dados no computador forneceu o seguinte quadro (incompleto)
da ANOVA:
Espcie 1
Espcie 2
F.V.
Fator A
Fator B
Int. AxB
(Trat.)
Blocos
Resduo
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 = 5%):
a) Obtenha a soma de quadrados para o fator A. Apresente os clculos.
b) Os fatores em estudo atuam independentemente na varivel em anlise? JUSTIFIQUE.
c) Qual espcie deveria ser usada de modo a termos uma maior produo de massa
verde, quando for usada a dose 3 do micronutriente? JUSTIFIQUE.
d) Como deveramos continuar a anlise caso fosse de nosso interesse determinar a
melhor dose do micronutriente? Descreva a estratgia de anlise de maneira resumida,
apresentando a seqncia dos procedimentos a serem realizados juntamente com
algumas discusses, mas sem precisar fazer nenhum tipo de clculo
118

____________________________________________________________________
10.8. Suponha que um colega seu tenha usado um programa de computador para realizar
a anlise de regresso de um experimento no DIC com 4 repeties, no qual foi avaliado
o efeito de 5 nveis de adubo na produo de soja. O orientador desse seu colega pediu
que ele testasse trs modelos. Como seu colega "matou" todas as aulas de estatstica,
ele foi pedir sua ajuda para a escolha do melhor modelo a partir dos dados abaixo,
referentes anlise de cada modelo. Baseado no quadro fornecido abaixo, pede-se
escolher o melhor modelo. Explique, para cada modelo, a razo dele ter sido selecionado
ou eliminado. Use = 5%.
MODELO 1
F.V.
Regresso
Falta de Ajust.
(Tratamento)
Resduo
Total
G.L.
1
3
(4)
15
19
S.Q.
36
60
96
75
171
Q.M.
36
20
5
MODELO 2
F.V.
Regresso
Falta de Ajust.
(Tratamento)
Resduo
Total
G.L.
2
2
(4)
15
19
S.Q.
66
30
96
75
Q.M.
33
15
F.V.
Regresso
Falta de Ajust.
(Tratamento)
Resduo
Total
G.L.
3
1
(4)
15
19
S.Q.
76
20
96
75
Q.M.
25,3
20
MODELO 3
O grfico de disperso dos valores mdios de produo em funo das doses de

adubo obtido pelo seu colega foi
Produo (kg/unid)
Grfico de Disperso
25
20
15
10
5
0
0
20
40
60
Dose (kg/ha)
Baseado nas informaes fornecidas acima, pede-se escolher o melhor modelo. Explique,
para cada modelo, a razo dele ter sido selecionado ou eliminado. Use = 5%.
119
Cap 10 Regresso
____________________________________________________________________
10.9. Com o objetivo de estudar o efeito da temperatura no ganho de peso de
determinada espcie 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 perodo, ajustouse a seguinte equao de regresso:
Y = 6,89 + 0,93 X 0,02 X2
Considerando que a anlise de varincia da regresso resultou em F significativo para
regresso, pede-se:
a) Qual seria o ganho de peso (em quilos) esperado, se fosse mantida constante, no local
de confinamento do animal em questo, a temperatura de 23 oC?
b) Qual seria a temperatura a ser usada para que fosse obtido o mximo de ganho de
peso?
10.10. Suponha que tenha sido realizada uma pesquisa a respeito da influncia do tempo
de estudo na nota da prova de determinada disciplina. Os dados obtidos com respeito a
cinco alunos aleatoriamente entrevistados so dados abaixo:
Xi = Tempo de estudo (em horas)
Y = Nota obtida (em 10)
= 20
2
i
= 90
= 31
2
3
X Y
i
= 139
3
5
4
6
5
8
6
9
= 215
Pede-se:
a) Ajuste um modelo de regresso linear de 1o grau para tentar explicar a variao na
nota do aluno em funo do tempo de estudo.
OBS.: Indique a resoluo, inclusive apresentando o sistema de equaes normais.
b) Poderamos dizer que o tempo de estudo influencia significativamente a nota obtida?
(use = 5%).
10.11. Com os dados relativos equao de regresso Y = a 10,38 X + 1,08 X 2 , obter
i
0
i
i
a ANOVA da regresso e concluir para = 5% .
DADOS:
20
Yi = 120,43
i =1
20
X i Yi = 340,87
Yi2 = 18375,38
i =1
20
i =1
20
X i = 256,5
i =1
20
X
i =1
2
i
Yi = 4238,684
20
X
i =1
2
i
= 346,48
10.12. Obter a equao de regresso para o modelo Y = a + a X + a X2 +e e concluir

0
1
2
para = 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

____________________________________________________________________
10.13. Fazer a anlise de varincia da regresso, concluindo para = 1% , dados :
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 bilogo realizou um experimento no DIC com 3 repeties, para
comparar o efeito de 5 dosagens (Xi, em mg) de uma droga farmacutica desenvolvida
para aumentar o tempo de sono (Yi, em horas). A anlise dos dados oriundos deste
experimento produziu as seguintes informaes:
Xi
Yi
1
4
2
9
13
3
10
12
4
13
17
12
5
11
16
Usando o nvel de 5% de significncia, pede-se:

10.14.1. Proceda ao teste para a falta de ajustamento e conclua se o modelo de
regresso linear de 1o grau apropriado para descrever o tempo de sono em funo da
dosagem de sonfero.
10.14.2. O valor estimado para 1 estatisticamente diferente de zero? Justifique a sua
resposta.
10.14.3. De acordo com a equao de regresso 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 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 = 0 + 1 X i + 2 X i2 + i
n
Y = 29,1
i
i =1
n
X
i =1
= 195
YX
i
= 1000,50
i =1
n
X
i =1
2
i
YX
i
2
i
= 35787,50
i =1
= 6775
X
i =1
3
i
= 248625
X
i =1
4
i
= 9521875

10.15.1 A estimativa do intercepto (ou seja, constante da regresso)
10.15.2. As estimativas dos coeficientes de regresso, 1 e 2
10.15.3 A dose que proporciona o mximo de perda de peso
10.15.4. O valor do F da anlise de varincia da regresso 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 varivel
121
Cap 10 Regresso
____________________________________________________________________
dependente Y. Suponha que foram utilizadas 2 repeties e que so fornecidas as
seguintes informaes:
Modelo adotado: Yi = o + 1X i + i
FV
Regresso
Falta de
Ajustamento
(Tratamentos)
Resduo
Total
GL
SQ
76,05
(4)
101,60
QM
126,10
Pede-se:
10.16.1. O valor do F calculado para a regresso
10.16.2. O valor do F calculado para a falta de ajustamento
10.17. Suponha que em uma pesquisa, 10 dosagens de uma droga foram ministradas a
um grupo de 10 indivduos, para verificar se o efeito da mesma era capaz de reduzir o
peso em seres humanos. Cada dosagem foi testada em um nico indivduo. O modelo
linear de 2o grau ajustado, a SQResduo, as dosagens testadas e as respectivas perdas
de peso observadas e alguns somatrios relacionados, foram:
Yi = 1,15000 + 2,66174X i 0,09564X i2
Dosagem (mg)
Perda de peso (kg)
10
= 134
i =1
10
X i = 110
i =1
2
5
10
4
8
= 1990
i =1
10
X i2 = 1540
i =1
6
10
SQRegresso=179,87
8
13
10
15
10
YX
i
12
17
= 1658
i =1
10
X i3 = 24200
i =1
14
20
16
18
18
15
10
YX
i
2
i
20
13
= 23876
i =1
10
4
i
= 405328
i =1
Com base nas informaes fornecidas acima e, usando o nvel de 5% de significncia

quando necessrio, pede-se:
10.17.1. possvel concluir que o uso da droga resulta em uma perda de peso
significativa?
10.17.2. Qual a dosagem da droga que proporciona maior perda de peso?
10.17.3. Qual seria a perda de peso esperada se a dosagem de 35 mg fosse utilizada?
122

____________________________________________________________________
10.18. Suponha que um pesquisador, tendo como objetivo desenvolver uma bebida
Lctea com sabor natural de laranja e temendo que o uso do suco natural resultasse em
elevada acidez, resolveu testar 10 dosagens de suco natural (10, 15, 20, 25, 30, 35, 40,
45, 50 e 55 ml) com relao ao ph da bebida Lctea. Para tanto preparou um lote da
frmula bsica da bebida Lctea. A frmula bsica aquela que contm todos os
ingredientes da bebida Lctea, exceto o suco de laranja. Como o lote era completamente
homogneo, dividiu o lote em 30 amostras. Procedeu-se ento a distribuio inteiramente
ao acaso das dosagens de suco de laranja s amostras. Ao final, cada dosagem foi
designada a 3 amostras. Aps a mistura do suco de laranja s amostras, o pH da bebida
Lctea foi medido. Um grfico de disperso da dosagem versus pH, mostrou que o
modelo linear de 1o grau era indicado para estudar o fenmeno. Com base nos dados, as
seguintes informaes foram obtidas:
Quadro da ANOVA da Regresso
FV
Regresso
Falta de Ajustamento
(Tratamentos)
Resduo
Total
GL
SQ
23,7692
QM
F5%
(24,3720)
25,1520
Equao da regresso ajustada:

Yi = 7,63 0.08X i
Com base nas informaes fornecidas acima e usando o nvel de 5% de significncia,
pede-se:
OBSERVAO: UTILIZAR QUATRO DECIMAIS NOS CLCULOS
10.18.1. O modelo ajustado adequado para descrever o fenmeno?
10.18.2. A dosagem do suco de laranja tem efeito significativo na acidez da bebida
Lctea?
10.18.3. Quanto se espera que varie o pH da bebida Lctea em funo da variao de 1
ml de suco de laranja?
10.19. Um padeiro resolveu testar 10 diferentes dosagens de um determinado tipo de

fermento para verificar se o mesmo influenciava o peso final dos pes. Os resultados
obtidos foram:
Yi = 1,93 + 6,36 X i 0,45 X i2
SQTotal = 310,40
10
Y
i =1
10
= 194
X i = 55
i =1
10
Y
i =1
10
= 4074
X i2 = 385
i =1
10
YX
i =1
10
= 1179
X i3 = 3025
i =1
10
YX
i =1
10
X
i =1
4
i
2
i
= 8461
= 25333
Com base nas informaes fornecidas acima e, usando o nvel de 5% de significncia

quando necessrio, pede-se:
10.19.1. possvel concluir que as dosagens do fermento influenciaram no peso final dos
pes?
10.19.2. De acordo com a equao de regresso ajustada, qual a dosagem estimada
que proporciona o maior peso final de pes?
123
Cap 10 Regresso
____________________________________________________________________
10.20. Uma droga desenvolvida para o controle do nvel de acar (Y) foi testada em as
doses 20, 30, 40, 50, 60, 70 e 80 mg (X). Os resultados apresentados abaixo foram
publicados em uma revista cientfica:
Yi = 286,32 + 0,83 X i
SQTotal = 1933,71
SQRegresso=1905,75
Com base nestas informaes, pede-se:
10.20.1. A droga tem influncia significativa sobre o teor de glicose?
10.20.2. Qual a estimativa do teor de glicose no sangue quando se usa a dose de 90
mg?
124
11. Respostas dos Exerccios

Pedimos aos estudantes que reportem erros nas respostas para o
professor de sua turma, ou ento para o professor Nerilson Terra Santos
(nsantos@ufv.br). Favor reportar apenas erros nas respostas que voc tiver
certeza, por exemplo, a sua resposta e a de seus colegas para um determinado
exerccio no confere com o que est nesta seo.
A sua colaborao muito importante. Obrigado.
125
Cap 11 Respostas dos Exerccios
Captulo 1
1.1. t = 5,24
1.2. t = 2,21
1.3. t = 1,26
1.4.
1.5.
1.6.
1.7.
1.8.
t = -7,55
t = -6,90
F = 2,82
F = 1,32
t = 1,19
t1% (4) = 4,60

t5% (5) = 2,02
t5% (8) = 1,86
t5% (6) =
t5% (4) =
F5% (6,9) =
F5% (5,5) =
t(5%)(12) =
1,94
2,13
3,37
5,05
1,78
s c2 = 6,25
s c2 = 20,29
1.9. t = -3,65
t(5%)(9) = 1,83
1.10. t = 1,11
t5% (18) = 2,10
1.11. t = 3,10
t5% (7) = 1,90
s 2d = 7,73
1.12. t = 1,06
t5% (10) = 1,81
s c2 = 65,00
1.13. t = 14,61
t1% (13) = 3,01
s 2d = 75,46
1.14. t = 8,82
t10% (8) = 1,86
s c2 = 8,54
1.15. t = -0,39
t1% (12) = 2,68
s c2 = 11,45
1.16. F= 5,00
1.17. t = 9,34
F(1%) (5,5) = 10,97

t5% (8) = 1,86
s c2 = 2,57
1.18. t = -3,87
1.19. t = -2,66
t1% (14) = 2,62

t5% (9) = 1,83
s 2 = 25
s 2d = 5,62
1.20. t = -3,07
t5% (18) = 2,10
s c2 = 0,0478
1.21. t = 11,54
t5% (5) = 2,02
s 2d = 3,41
s c2 = 18,25
1.24. t = -1,89
1.25. t = 0,84
s 2d = 47,06
1.22.2 (c) 1.22.3 (c)
t1% (14) = 2,14 s c2 = 295,81
t5% (9) = 3,25 s 2 = 0,04
t5% (5) = 2,57 s 2d = 0,86
1.26. t = 1,62
t1% (14) = 2,62
s c2 = 41,82
1.27. t = 4,05
t5% (9) = 1,83
s 2d = 2,44
1.28. t = 1,73
t5% (14) = 1,76
s c2 = 18,82
1.29. t = -19,53
t5% (8) = 1,86
s c2 = 2,7 . Marca A.
1.30. t = -2,25
t5% (8) = 1,94
s 2 = 18,90
1.22. 1.22.1. (c)

1.23. t = -3,45
126
Captulo 2
2.1.
= 12,4
C
1
= 3,0
C
2
C = 1,6
3
2.2.
= 9,3
C
1
C 2 = 0,7
= 11,0
C
3
( )
( )
( )
= 0,3525
V C
1
V C 2 = 0,15
= 0,2025
V C
3
2.3. So ortogonais
2.4. No so ortogonais
2.5.
C1 = m1 + m2 + m3 3m4
C2 = 2m1 m2 m3
C3 = m2 m3
2.6. Um dos possveis grupos de contrastes ortogonais que podem ser
formados
C1 = m1 + m2 + m3 + m4 4m5
C2 = m1 + m2 + m3 3m4
C3 = m1 + m2 - 2m3
C4 = m1 - m2
2.7. Um dos possveis grupos de contrastes ortogonais que podem ser
formados
C1 = 3m1 + 4m2 + 4m3 + 3m4 14m5
C2 = 3m1 + 4m2 + 4m3 11m4
C3 = 3m1 + 4m2 - 7m3
C4 = m1 - m2
2.8.
= -8,4
=6,3
= -17,1
C
C
a) C
3
1
2
) = 0,18
)=0,54
) = 0,9450
b) V ( C
V (C
V( C
1
c) os contrastes so ortogonais
2.9. No so ortogonais
2.10.
a) C 3 = m1 m 3
b) 15,375
c) 0
127

2.11. ortogonal. C=m1 + m2 3m3 + m4
2.12. ortogonal. C=4m1 + 5m2 14m3 + 5m4
2.13. C2 = m2 m3
2.14. C2 = m1 + 14m2 15m3
2.15. C2 = m2 m3
2.16. C3 = m1 + m2 3m3 + m4.
2.17. C3 = m1 m3.
2.18. C3 = 3m1 m2 + 3m3 5m4
2.19.
= 55 ;
2.19.1 C = m1 + m2 - 2m3 , C
2.19.2 C = 3m1 2m2 m3
2.20.
2.20.1. Compara o grupo de herbicida biolgico com o grupo de
= 50
qumicos. C
2.20.2. No. necessrio aplicar um teste de hipteses para verificar se
a estimativa encontrada estatisticamente igual a zero.
2.20.3.105
2.20.4. C1 = 3m1 m2 m3 m4;
C2 = m2 m3 grupo qumico nitrognio com enxofre versus grupo
= 1
qumico nitrognio com fsforo. C
2
C3 = m2 + m3 2m4 grupo qumico com nitrognio versus grupo
= 13
qumico com inativadores de enzimas. C
3
2.21.
2.21.1
a) C1 = m1 m3
b) C2 = m1 m2
c) C3 = m3 m4
2.21.2
a) 19
b) 35,10
c) 0
d) so ortogonais.
Captulo 3
3.1. e
3.2. a
3.3. b
3.4.
128

a) Dez raes. Esta foi a fonte de variao introduzida pelo pesquisador.
b) Cada animal. Cada animal recebeu um dos tratamentos.
c) Nenhum.
d) No. Pois o experimento no teve repetio.
e) No, pois no foram usados os princpios bsicos da experimentao.
3.5.
3.5.1 As 5 enzimas. A comparao do efeito destas 5 enzimas, foi o que
motivou o pesquisador a instalar este ensaio.
3.5.2 Premeditada. O pesquisador sabia a princpio quais enzimas
desejava comparar.
3.5.3 Cada amostra genmica. Esta foi a unidade que recebeu um tipo
de tratamento.
3.5.4 Sim. Pois cada tratamento (enzima) foi designado a trs unidades
experimentais (amostra genmica). Os efeitos de ambiente que no so
passveis de controle, fazem com que as observaes de um mesmo
tratamento no sejam iguais.
3.5.5 No, pois os tratamentos foram designados de uma forma
sistemtica s unidades experimentais.
3.5.6 No, pois no houve nenhum controle na casualizao. O princpio
do controle local deve ser utilizado quando no existe uniformidade das
condies experimentais.
3.5.7 Sim. Pois o princpio da repetio foi utilizado. A estimativa do erro
experimental no vlida pois o princpio da casualizao no foi utilizado.
3.5.8 Tempo gasto, pelo substrato qumico contendo fragementos de
DNA, para percorrer uma distncias de 25 cm no gel.
3.6.
3.6.1 Os oito tipo de leo, pois esta foi a fonte de variao introduzida
pelo pesquisador com o propsito de comparao de seus efeitos.
3.6.2 Erro experimental (tipo aleatria), pois esta fonte de variao
surgiu devido ao efeito de ambiente e no foi controlada pelo pesquisador.
3.6.3 Cada amostra bsica, pois cada amostra bsica recebeu um dos
oito tipos de leo.
3.6.4 Sim. Foram utilizados oito repeties.
3.6.5 Sim. Pois os tipos de leo (tratamentos) foram distruibudos ao
acaso s amostras bsicas (unidades experimentais).
3.6.6 Sim. Houve duas restries na casualizao de tal forma que cada
bioqumico avaliou os oito tipos de leo e cada lote recebeu os oito tipos de
leo.
3.6.7 O teor de gordura total, pois esta foi a caracterstica avaliada para
comparar o efeito dos tipos de leo.
3.7.
3.7.1. Cada tbua de madeira, pois cada uma delas recebeu um dos 5
tratamentos em teste.
3.7.2. As 5 marcas de verniz, pois o pesquisador tinha por objetivo
comparar os efeitos das 5 marcas de verniz com relao ao brilho
proporcionado pelas marcas.
3.7.3.
129

Repetio: cada marca de verniz foi aplicada a 5 tbuas (unidade
experimentais);
Casualizao: a distribuio das marcas de verniz s tbuas foi feita ao
acaso;
Controle local: a casualizao sofreu a restrio de que cada tipo de
madeira fosse testada com todas as marcas de verniz.
3.7.4. Sim, pois foram usadas repeties. A estimativa vlida pois foi
usado o princpio da casualizao.
3.7.5. Variaes no controladas de ambiente. No, pois geralmente no
se conhece a origem destas variaes no controladas.
3.7.6. Sim, pois sabia-se que a diferena de cor entre os diversos tipos
de madeira poderia afetar a avaliao do verniz.
3.8.
3.8.1. Os seis sabores de sorvete. Esta foi a fonte de variao
introduzida pelo pesquisador no experimento.
3.8.2. Sim, pois cada sabor apareceu seis vezes no experimento.
3.8.3. Sim, pois houve controle na casualizao. Dois controles foram
utilizados na casualizao.
Captulo 4
Rejeita-se Ho
4.1. Fcal = 7,79
Ftab5% (3,16) = 3,24
4.2. a) Casualizao e repetio
b) Cada atleta
No Rejeita Ho
c) Fcal = 1,39
Ftab1% (2,12) = 6,93
d) Qualquer tcnica
4.3.
a) Sim. Fcal = 685,06. Ftab5% (3,36) = 2,87 CV% = 3,94 Rejeita H0
b) Y= m1 + m2 - m3 - m4
Y = 1,22
c) Y= m1 m2
Y = 8,25
Y = -0,03
d) Y= m3 m4
4.4.
Fcal = 6,73 Ftab5% (2,21) = 3,47 Rejeita H0 As mdias relativas aos 3
grupos diferem entre si.
4.5.
No Rejeita-se Ho
Fcal = 1,42 Ftab5% (2,12) = 3,89
4.6.
Fcal = 1,40
Ftab1%(2,12) = 6,93
No Rejeita-se Ho
4.7.
4.7.1. Fcal = 6,94
Ftab5%(4,15) = 3,06
Rejeita-se Ho.
130

4.7.2. Existe efeito significativo das raes com relao ao ganho de
peso mdio proporcionado pelas mesmas.
= 8,5
4.7.3. C = mB + mc - mD - mE C
4.7.4. CV = 20,68%. Valor alto indicando baixa preciso experimental.
Captulo 5
5.1.
A numerao se refere aos exerccios do captulo 4
4.1.
Tukey
Duncan
= 4,79
D4 = 3,82 D3 = 3,71
D2 = 3,54
d = 31
m
a
a
b = 27
m
ab
b
c = 26
m
b
bc
a = 23
m
b
c
4.2. F no-significativo. No necessrio aplicar teste de mdias.
4.3.
Tukey
= 0,49
1 = 14,81 a
m
4 = 10,09
m
b
3 = 10,06
m
b
2 = 6,56
m
c
Duncan
D4 = 0,40 D3 = 0,39
a
b
b
c
Tukey
= 9,23
1 = 102,37 a
m
3 = 95,12 a b
m
2 = 89,00
m
b
Duncan
D3 = 7,99
a
ab
b
D2 = 0,37
4.4.
D2 = 7,61

131

4.7.
Tukey
= 3,68
d
m
e
m
a
m
b
m
c
m
Duncan
D5 = 2,78 D4 = 2,73 D3 = 2,66 D2 = 2,53
= 11,00 a
= 10,00 a b
= 7,25
bc
= 6,50
bc
= 6,00
c
a
a
b
b
b
5.2.
3
m
1
m
6
m
2
m
5
m
4
m
= 380
= 370
= 367
= 338
= 325
= 320
Tukey
= 33
a
ab
ab
bc
c
c
Duncan
D6 = 31
a
a
a
b
b
b
D5 = 30,2
D4 = 28,7 D3 = 26
5.3.
Fcal = 2,64 Ftab5% (5,18) = 2,77 No existe diferena significativa entre
os tratamentos. Portanto, o teste de Duncan no necessrio.
5.4.
Rejeita-se Ho. De acordo com o
Fcal = 15,23
Ftab1% (3,12) = 5,95
teste de Tukey ( = 2,11), os tipos de aleitamentos 1 e 2 proporcionaram as
1 = 9,30 e m
2 = 11,20 ).
maiores mdias de ganho de peso ( m
5.5.
a. Fcal = 24,24 Ftab5% (4,15) = 3,06 Rejeita-se Ho.
b. De acordo com o teste de Duncan (D5 = 1,58, D4 = 1,55, D3 = 1,51, D2
E = 13,75 ).
= 1,44), a marca E foi a mais lenta ( m
c. De acordo com o teste de Tukey ( = 2,10), as marcas E e A foram as
E = 13,75 e m
A = 11,75 ).
mais lentas ( m
d.
= +4,0 tc=1,86 t5%(15)=2,13 NRH0; S=7,48 NRH0
C1 = 4mA mB mC mD mE C
1
C2 = mB + mC mD mE
C = -7,0 tc=-7,63 t5%(15)=2,13 RH0; S=3,34 RH0
2
C3 = mB mC
C4 = mD mE
=+3,5 tc=5,17 t5%(15)=2,13 RH0;

C
3
= -2,5 tc=-3,69 t5%(15)=2,13 RH0;

C
4
S=2,36 RH0
S=2,36 RH0
5.6.
a. Fcal = 6,24
Ftab5% (3,26) = 2,98 Rejeita-se Ho.

132

= 3. t = 2,42. ttab = t0,05(26) = 2,06. Rejeita-se Ho.
b. C
S = 3,70 No rejeita-se Ho.
5.7.
1
m
3
m
5
m
2
m
4
m
6
m
Tukey
Duncan
=15,96 D6=11,77 D5=11,60 D4=11,38 D3=11,07 D2=10,53
= 203,36 a
a
= 196,58 a b
ab
= 188,86 a b
bc
= 182,38
b
c
= 165,38
c
d
= 153,20
c
e
Captulo 6
6.1.
Fcal = 33,58
5
m
4
m
3
m
2
m
1
m
= 107
= 92
= 87
= 72
= 67
Ftab5% (4,8) = 3,84

Tukey
= 13,54
a
b
b
c
c
Duncan
D5= 9,75
a
b
b
c
c
D4 = 9,6
D3 = 9,39
D2 = 9
6.2
a) DBC, pois a diviso foi realizada de modo que houvesse
homogeneidade entre as unidades experimentais dentro de cada
grupo, ficando a heterogeneidade existente entre os grupos passvel
de ser quantificada e, assim, isolando os reais efeitos de tratamentos.
Rho
b) Sim. Fcal = 178
Ftab1% (3;18) = 5,09
c) Tukey
= 3,83
m 3 = 46
a
1 = 31,6
m
b
2 = 31,4
m
b
4 = 21,6
m
c
6.3.
a) Fcal = 5,87
b) Tukey
= 13,12
Ftab5% (4,12) = 3,26

c) Duncan
D5= 9,77 D4 = 9,68 D3 = 9,39 D2 = 8,96
133

5
m
1
m
4
m
3
m
2
m
d)
= 155,12 a
= 142,8 a b
= 140,01
b
= 138,74
b
= 138,02
b
Y = -29,42
a
b
b
b
b
R H0
S = 25,73
e) No se aplica o teste t, pois os contrastes no so ortogonais.

6.4.
a) Fcal = 7,67
b)
Tukey = 4,99
Ftab5% (4,12) = 3,26
R.: Sim.
5 = 11,4
m
a
2 = 6,3
m
b
4 = 6,0
m
b
3 = 5,5
m
b
1 = 3,0
m
b
R.: Levedura tipo 5
Duncan
D5 = 3,72 D4= 3,68 D3= 3,57 D2= 3,41
5 = 11,4
m
a
2 = 6,3
m
b
4 = 6,0
m
b
3 = 5,5
m
b
1 = 3,0
m
b
R.: Leveduras tipo 1,2,3e 4.
6.5.
a) Repetio: cada tipo de pneu foi submetido a trs repeties.
Casualizao; os tipos de pneus foram submetidos a sorteios dentro das
respectivas sub-reas. Controle Local: a rea total foi submetido a vrias
subdivises, visando proporcionar maior preciso ao experimento.
b) DBC: as sub-reas formadas atuam como blocos no experimento.
c) Fcal = 20,9
Ftab5% (3,6) = 4,76
d) Duncan
D4 = 1,75 D3= 1,72 D2 = 1,67
4 = 33
m
a
3 = 31,3
m
b
2 = 29,3
m
c
1 = 28
m
c
6.6.
134

a) V(c) = 0
b) C1 No contraste, logo no aplica teste de mdia
S = 30,4
N RH0
C2 = -30
c) No se aplica o teste t, pois os contrastes no so ortogonais.
d) C= m1 + m2 2m3
6.7.
a) 5 vezes, pois o nmero de graus de liberdade para blocos igual a 4.
b) Testa-se se h diferena significativa entre a durabilidade dos 4
microaspersores. Sendo F tabelado a 5% igual a 3,49 e enunciando as
hipteses:
Ho: m1 = m2 = m3 = m4 vs Ha: No Ho, verifica-se que o Fcal significativo,
portanto existe pelo menos um contraste entre as mdias de durabilidade dos
microaspersores estatisticamente diferente de zero.
c) Deveramos aplicar um teste de mdias; Tukey ou Duncan, por
exemplo.
d) Ex.: Scheff C = 36 + 40 + 60 3x40 = 16
S = 35,45
NRH0
6.8.
a) Fcal = 37,7
Ftab5% (4,12) = 3,26
b) Duncan D5= 3,77 D4 = 3,74 D3 = 3,62 D2 = 3,45
C = 25
m
a
B = 24,75 a
m
E = 16,25
m
b
D = 12
m
c
A = 10,2
m
c
c) tcal = 3,99
ttab5% (12) = 2,18
RHo
6.9.
Fcal = 4,20
Ftab1% (4,12) = 5,41
No Rejeita-se Ho
6.10.
6.10.1. Delineamento em Blocos Casualizados. Porque o melhorista ao
instalar o experimento subdividiu a rea total (heterognea) em sub-reas
(homogneas) entre si. Pode-se dizer tambm que o pesquisador utillizou os
trs princpios bsicos da experimentao (repetio, casualizao e controle
local).
Rejeita-se
Ho,
6.10.2. Fcal = 2,02
Ftab5% (4,12) = 3,26 No
consequentemente, no necessrio proceder ao teste de Duncan.
6.11.
6.11.1. (c)
6.11.2. (h)
6.11.3. (c)
6.11.4. (c)
6.11.5. (d)
6.12.
135

6.12.1. Fcal = 177,99
Ftab1%(3,18) = 5,09 Rejeita-se Ho.
6.12.2. = 3,84 O tratamento 4 apresentou a menor mdia (21,57)
portanto o desejado.
6.13.
6.13.1. (c). Porque o teste de Scheff pode ser aplicado a qualquer
contraste sem nenhuma restrio e o teste t a contrastes estabelecidos a
priori e ortogonais. Porm, os mesmos apresentam sensibilidades diferentes
em detectar diferenas significativas.
6.13.2. (c). Porque o teste t pode ser aplicado para avaliar contrastes
estabelecidos a priori e ortogonais e o teste de Tukey a todos os possveis
contrastes que envolvem duas mdias. Porm os mesmos apresentam
sensibilidades diferentes em detectar diferenas significativas.
6.13.3. Sim. S = 3,9. Y = 1,4 . No se rejeita Ho.
6.14.
6.14.1. Y = mi mj para i j = 1, 2, 3 e 4.
Nmero mximo de contrastes = 6.
1 e m
2 igual a 21 a qual
6.14.2. No, pois a diferena entre m
superior ao valor do .
6.14.3. O que obteve 1 = 5, pois o funo do QMResduo, o qual
um indicativo da preciso experimental.
6.14.4.
1 = 100 a
m
4 = 92 a b
m
3 = 88 a b
m
2 = 79
m
b
6.14.5. O teste recomendado o teste de Scheff, pois existem
contrastes envolvendo duas ou mais mdias e os contrastes no formarem um
grupo de contrastes ortogonais.
Captulo 7
7.1.
a) Fcal = 12,09
Ftab5% (4,12) = 3,26
b) Tukey = 107,54
C = 604,8 a
m
A = 492,6
m
b
B = 440,8
m
b
D = 413,4
m
b
E = 401
m
b
A Variedade Co 297 deve ser recomendada.
7.2.
136

a) Fcal = 8,198
Ftab5% (4,12) = 3,26
b.1) Duncan D5= 8,55 D4 = 8,47 D3 = 8,22 D2 = 7,84
2 = 60
m
a
5 = 52,5
m
ab
1 = 50
m
b
3 = 47,5
m
bc
4 = 40
m
c
Concluso: os tratamentos 2 e 5 devem ser recomendados
b.2) Concluso: os tatamentos 3 e 4 devem ser recomendados
7.3.
Fcal = 17,84
Tukey = 107,54
1 = 604,8
m
2 = 509,8
m
3 = 469,8
m
4 = 394
m
5 = 346,8
m
Ftab5% (4,12) = 3,26

a
ab
bc
cd
d
7.4.
a) Fcal = 9,01
Ftab5% (4,12) = 3,26
b) C = 4md ma mb mc me
c) Scheff
S = 54,05
Y = 33,66
Teste t tcal = 2,249
ttab5% (12) = 2,18
7.5.
Fcal = 31,73
Ftab1% (6,30) =3,47 Rejeita-se Ho. Existe efeito
significativo de forrageiras com relao a produo de matira seca.
7.6.
7.6.1. cada litro de leite
7.6.2. os tipos de bacilos
7.6.3. 2 vezes
7.6.4. Delineamento em Quadrado Latino

7.6.5. (a)
7.6.6. (g)
Captulo 8
8.1. Ftab = 5,32
FcalcAxB = 21,81 RHo
8.2. Ftab5% (1,16) = 4,49 FcalcAxB = 4,95
RHo
8.3.
a) Sim
Ftab(1;20) = 8,10
b) FcalcA = 86,05
RHo
FcalcAxB = 0,51
NRHo
137

R1 = 49,67 a
m
R 2 = 42,08 b
m
c) FcalcB = 15,80
Rho
A1 = 47,50 a
m
A 2 = 44,25 b
m
8.4.
a) No. VxF:
Ftab = 3,49 Fcalc = 27,23 RHo
Ftab (2;20) = 3,49
b) F/V1: Fcalc = 17,07
Teste Tukey = 2,29
F2/V1 = 8
m
a
F1/V1 = 4
m
b
F3/V1 = 3
m
b
=8
c) V2/F3: m
Ftab (1;20) = 4,35 RHo
8.5.
a) Sim. VxE: Fcalc = 0,75 Ftab = 4,49
b) Ambas fornecem a mesma produo. V: Fcalc = 1,70 Ftab = 4,49
2 = 7,7).
E: Fcalc = 6,79 Ftab = 4,49
c) O espaamento 2 ( m
8.6.
a) No
FcalcRaoxRaa = 7,17 FtabRaoxRaa = 3,68
b) F Rao/Raa1 = 3,13
F Rao/Raa2 = 6,13
F Rao/Raa3 = 10,13
Ftab(1;15) = 4,54
8.7. Questo terica
8.8
a) 5 valores - Cada valor corresponde a um total de tratamento,
repetidos 5 vezes.
b) 3, 7, 4, 28, 39
c) Meio de Cultura e tipo de Fungo, respectivamente.
d) No.
Fcalc = 4,92 Ftab = 4,57
e) Qualquer um Fcalc = 0,16 Ftab = 7,64
8.9.
a) Estudar os fatores isoladamente.
b) Efetuar o desdobramento dos fatores
8.10.
FA*B = 3,62*
FA/B1 = 30,06
FA/B2 = 36,82*
FA/B3 = 51,75*
138
8.11.
FB/A1 = 18,72*
FB/A2 = 72,64*
B/A1 = 2,98 A/B1 = 3,29
FB/A3 = 32,778
FB/A4 = 42,56
FA = 0,81ns
FB = 4,81*
FA*B = 0,64ns
Teste Duncan para fator B D3 = 262,26 D2 = 249,77
8.12. Questo terica -> ver teoria
8.13.
FA = 7,45ns
FB = 5,16ns
FA*B = 5,01ns
8.14.
8.15.
a) FA/B4 = 11,62*
b) FB/A1 = 0,04ns
FB/A2 = 5,10*
= -15,71ns
a) C
b) Fcal = 6,09*
S = 15,87
Ftab5% (1,14) = 4,60
= 11,29
8.16. Tukey = 3,55

Mdias dos niveis de A
A1 = 19,8 a
m
A 2 = 18,4 ab
m
A 3 = 16,2
m
b
A 4 = 15,4
m
b
8.17.
a) FA*B = 9,33*
b) FA/B1 = 0,095ns
FA/B2 = 24,8*
FA/B3 = 0,097ns
8.18.
Interao: Ftab5%(2,24) = 3,40. No Rejeita-se Ho a 5% de
probabilidade.
Rao: Fcal = 4,34
Ftab5%(2,24) = 3,40. Rejeita-se Ho a 5% de
probabilidade. D3 = 13,93. D2 = 13,25. A rao A deve ser recomendada.
Protena: Fcal = 5,11 Ftab5%(1,24) = 4,26. Rejeita-se Ho a 5% de
probabilidade. O nvel alto de protena dever ser recomendado.
139

8.19.
8.19.1
FV
T
H
T*H
(Tratamentos)
Resduo
Total
GL
21=1
31=2
12=2
(23) 1 = 5
29 5 = 24
(2 3 5) 1 = 29
SQ
QM
F
2394,13
1323,47
20,27 10,13 0,80
3737,87
304,00 12,67
4041,87
Ftab; 5%
(2; 24) = 3,40
Concluso: 0,80 < 3,40 No RH0 a 5% de probabilidade. Logo, os fatores,

horrio de colheita e tipo de colheitadeira, atuam independentemente na perda de
gros.
8.19.2.
FV
GL
SQ
QM
F
H
2 1323,47 661,73 52,24
Resduo 24 304,00
12,67
Ftab; 5%
(2; 24) = 3,40
H0: mH1 = mH2 = mH3

Ha: No H0
Concluso: 52,24 > 3,40 RH0 a 5% de probabilidade. Logo existe pelo
menos um contraste estatisticamente diferente de zero entre mdias de
horrio de colheita com relao a perda de gros.
Teste de Tukey e Duncan
Hipteses
H0: mHi mHu = 0
Ha: mHi mHu 0
para i u = 1, 2, 3.
DMS
QMRe s
12,67
=
= 1,13
IK
25
QMRe s
= 3,53 1,13 = 3,99
25
qtab = q0,05(3; 24) = 3,53
Tukey: = qtab
Duncan: Di = zi
QMRe s
25
i=3
i=2
z3 = 3,07 D3 = 3,47
z2 = 2,92 D2 = 3,30
140

H1
208(5)
288
496(10)
T1
T2
Totais
Mdias
H3
m
H2
m
H1
m
Tukey
652
=
= 65,2 a
25
=
= 53,4
b
=
= 49,6
H2
217
317
534
H3
282
370
652
Totais
707(15)
975
1682(30)
Duncan
a
b
8.19.3.
= 2m
H1 m
H2 m
H3 = 265,2 53,4 49,6 = 27,40
C
H0: C = 0
Ha: C 0
( )
3
= QMRe s a2 = 12,67 22 + ( 1)2 + ( 1)2 = 7,6
V C
i
J K i=1
25
t=
( )
V C
27,40
7,6
= 9,94
ttab = t5%(24) = 2,06
Concluso: |9,94| > 2,06 RH0 a 5% de probabilidade
S=
= ( 3 1) 3,40 7,6 = 7,19

(I 1) Ftab V(C)
Concluso: |27,40| >7,19 RH0 a 5% de probabilidade

8.19.4.
FV
T
Resduo
GL
21=1
29 5 = 24
SQ
QM
F
2394,13 2394,13 189,01
304,00
12,67
Ftab; 5%
(1; 24) = 4,20
H0: mT1 = mT2

Ha: No H0
Concluso: 189,01 > 3,40 RH0 a 5% de probabilidade. Logo existe pelo
menos um contraste estatisticamente diferente de zero entre mdias de tipo de
colheitadeira com relao a perda de gros.
Teste de Tukey e Duncan
141

Observao: A aplicao de tais testes desnecessria, pois o teste F (1 GL
para T) j conclusivo. Apresentamos apenas para mostrar as diferenas entre
aplicar para um fator com trs nveis (H) e um fator com dois nveis (T)
Hipteses
H0: mTj mTu = 0
Ha: mTj mTu 0
para j u = 1, 2
DMS
QMRe s
12,67
=
= 0,92
35
15
QMRe s
= 2,92 0,92 = 2,69
35
qtab = q0,05(2; 24) = 2,92
Tukey: = qtab
Duncan: Di = zi
QMRe s
35
z2 = 2,92 D2 = 2,68
i=2
T1
T2
Totais
Mdias
T2
m
T1
m
H1
208(5)
288
496(10)
Tukey
975
=
= 65,00 a
35
=
= 47,13
b
H2
217
317
534
H3
282
370
652
Totais
707(15)
975
1682(30)
Duncan
a
b
8.19.5.
Observao: A aplicao de tais testes desnecessria, pois o teste F (1 GL
para T) j conclusivo. Apresentamos apenas para mostrar as diferenas entre
aplicar para um fator com trs nveis (H) e um fator com dois nveis (T)
=m
T1 m
T2 = 47,13 65,00 = - 17,87
C
H0: C = 0
Ha: C 0
142
( )
2
= QMRe s a2 = 12,67 12 + ( 1)2 = 1,69
V C
j 35
I K j=1
t=
( )
V C
17,87
1,69
= 13,75
ttab = t5%(24) = 2,06
Concluso: |-13,75| > 2,06 RH0 a 5% de probabilidade
S=
= ( 2 1) 4,20 1,69 = 2,67

( J 1) Ftab V(C)
Concluso: |-17,87| > 2,67 RH0 a 5% de probabilidade

8.20.
8.20.1. Interao: Fcal = 49,97 Ftab5%(1,16) = 4,49. Rejeita-se Ho. Os
fatores no atuam independentemente.
8.20.2. B/A1: Fcal = 21,62 Ftab5%(1,16) = 4,49. Rejeita-se Ho. Quando
se usa o controle de qualidade A1 processo de fabricao B1 o mais rpido.
8.21.
8.21.1. Interao: Fcal = 0,037 Ftab1%(2,30) = 5,39. No rejeita-se Ho.
Os fatores atuam independentemente.
8.21.2. Fator A: Fcal = 4,39. Ftab1%(1,30) = 7,56. No rejeita-se Ho. Os
dois mtodos de acelerao proporcionam em mdia igual consumo.
8.22.
8.22.1. Interao: Fcal = 267,58. Ftab5%(3,14) = 3.34. Rejeita-se Ho. Os
fatores A e B no atuam independentemente.
8.22.2. B/A2: Fcal = 295,73. Ftab5%(1,14) = 4,60. Rejeita-se Ho. Logo a
mdia de B1/A2 estatsticamente maior do que a de B2/A2.
8.22.3.
= 8,51
A 3 / B 2 = 135,00 a
m
A 4 / B 2 = 99,67
m
b
A1 / B 2 = 28,33
m
A 2 / B 2 = 19,33
m
c
d
8.23.OSERVAO: VALORES APROXIMADOS

8.23.1. 16,72
8.23.2. 42,54
8.23.3. 16,39
8.24.
8.24.1. Interao: Fcal = 25,10. Ftab1%(2,18) = 6,01. Rejeita-se Ho. Os
fatores A e B no atuam independentemente.
8.24.2. A/B1: Fcal = 34,03. Ftab1%(2,18) = 6,01. Rejeita-se Ho. Existe
pelo menos um contraste, estatisticamente diferente de zero, entre mdias do
fator A dentro do nvel 1 de B.
143

8.24.3. B/A2: Fcal = 62,02. Ftab1%(1,18) = 8,29. Rejeita-se Ho. O nvel
B1 apresenta maior mdia quando o nvel 2 de A considerado.
8.25.
FV
Recipientes (R)
Espcie (E)
Interao RxE
(Tratamentos)
Resduo
Total
**
GL
2
1
2
(5)
18
23
SQ
92,86
19,08
63,76
(175,70)
23,09
198,79
QM
31,88
1,28
F
24,91* *
-
Ftab; 1%
(2; 18) = 6,01
Significativo ao nvel de 1% de probabilidade
R/E
FV
R/E1
R/E2
Resduo
R/E1
**
GL
2
2
18
SQ
87,12
69,50
-
F
34,03* *
27,15* *
Ftab; 1%
(2; 18) = 6,01
(2; 18) = 6,01
= 2,66
103,5
4
R 2 / E1 =
m
R1/ E1 =
m
R3 / E1 =
m
R/E2
QM
43,56
34,75
1,28
25,875
25,650
20,050
25,325
21,325
19,575
= 2,66
101,3
4
R1/ E2 =
m
R3 / E2 =
m
R2 / E2 =
m
E/R
FV
E/R1
E/R2
E/R3
Resduo
**
GL
1
1
1
18
SQ
0,21
79,38
3,25
-
QM
0,21
79,38
3,25
1,28
F
0,16
62,02 * *
2,54
Ftab; 1%
(1;18) = 8,29
(1;18) = 8,29
144
Captulo 9
9.1.
Interao AxB significativa: Fcal AxB= 3,21
Ftab5% (9,36) = 2,16
QMRes combinado = 32,41 N* = 27
Estudo A/B
A/B1 SQ= 1404
QM= 468,06 Fcal= 14,14
Ftab5% (3,27) = 2,96
A/B2 SQ= 413
QM= 137,66 Fcal= 4,25
A/B3 SQ= 325
QM= 108,26 Fcal= 3,34
A/B4 SQ= 1293
QM= 430,86 Fcal= 13,2
Resduo GL= 27
QM= 32,41
Teste de Tukey A/B = 11
Para A/B1
A4/B1 = 61,9 a
m
A3/B1 = 53,9 a b
m
A2/B1 = 50,9
m
b
A1/B1 = 36,1
m
c
Para A/ B2 a
ab
b
b
Para A/B3
Estudo: B/A
B/A1
SQ= 583,49
B/A2
SQ= 45,21
B/A3
SQ= 56,96
B/A4
SQ= 71,34
Teste Tukey
B2/A1 =
m
a
B3/A2 =
m
ab
B4/A3 =
m
b
B1/A4 =
m
b
QM= 194,50
QM= 15,07
QM= 18,99
QM= 23,78
a
ab
ab
b
Para A/B4 a
a
a
b
Fcal= 9,58
Fcal= 0,74
Fcal= 0,94
Fcal= 1,17
= 6,06
9.2.
Interao AxB no significativa Fcal AxB= 0,98
Ftab5%(12,30) = 2,09
Fcal A = 4,71
Ftab5%(4,10) = 3,48
Fcal B = 3,99
Ftab5%(3,30) = 2,92
Teste Duncan Fator A (D5= 1,24 D4 = 1,22 D3 = 1,19 D2 = 1,14)
Mdias
A 5 = 17,61 a
m
A1 = 17,56 a
m
A 3 = 16,33
m
b
A 4 = 16,19
m
b
145

A 2 = 15,98
m
Teste Duncan Fator B (D4= 1,056 D3= 1,029 D2= 0,978)

Mdias
B1 = 17,43 a
m
B 4 = 16,88 a
m
B3 = 16,77 a b
m
B 2 = 15,83
m
b
9.3.
F para interao no significativo Fcal AxB = 2,08
Fcal A = 1,17
Fcal B = 3,57
Fator B Teste tukey
Mdias
sulco = 3502,5 a
m
lano = 3332,7 ab
m
cova = 3107,4 b
m
Ftab5%(6,24) = 2,51
Ftab5%(3,90) = 3,86
Ftab5%(2,24) = 3,40
9.4.
9.4.1. Interao: Fcal=0,97. Ftab5%(12,30) = 2,09. No rejeita-se Ho. Os
fatores atuam independentemente.
9.4.2. Fator B: Fcal = 4,00. Ftab5%(3,30) = 2,92. Rejeita-se Ho. Existe
pelo menos um contraste entre mdias de niveis do fator B estatisiticamente
diferente de zero.
9.4.3.
D4 = 1,05 D3 = 1,02 D2 = 0,97
B1 = 17,46 a
m
B 4 = 16,88
m
B3 = 16,77
m
B 2 = 15,82
m
a
ab
b
9.5. OBSERVAO: VALORES APROXIMADOS

9.5.1. 0,97
9.5.2. 206,57
9.5.3. nvel 5
9.5.4. 3,99
9.5.5. niveis 1, 3 e 4
9.6.
9.6.1. Interao: Fcal = 0,97. Ftab5%(12,30) = 2,09. No rejeita-se Ho. Os
fatores A e B atuam independentemente.
9.6.2. Fator B: Fcal =3,99. Ftab5%(3,30) = 2,92. Rejeita-se Ho. Existe
pelo menos um contraste entre mdias de niveis de B estatisticamente
diferente de zero.
146

Tukey (=1,31)
B1 = 17,46 a
m
B 4 = 16,88 a b
m
B3 = 16,75 a b
m
B 2 = 15,83
m
b
9.7.
9.7.1. Interao: Fcal = 2,74. Ftab5%(2,12) = 3,89. No rejeita-se Ho. Os
fatores A e B atuam independentemente.
9.7.2. Como a interao foi no significativa, o autor procedeu da forma
correta, pois ele comparou os niveis de um fator independente do outro fator.
9.8.
Interao: Fcal = 10,03. Ftab5%(2,9) = 4,26. Rejeita-se Ho. Os fatores
no atuam independentemente.
Estudo: A/B
QMResduo Combinado: 29,83. GL = 7.
A/B1: Fcal = 21,58. Ftab5%(2,7) = 4,74. Rejeita-se Ho. Existe pelo menos
um constraste estatisticamente diferente de zero, entre mdias de niveis de A
dentro do nvel B1.
A/B2: Fcal = 10,58. Ftab5%(2,6) = 5,14. Rejeita-se Ho. Existe pelo menos
um constraste estatisticamente diferente de zero, entre mdias de niveis de A
dentro do nvel B2.
Mdias
- A/B1
A2/B1 = 81.25 a
m
A3/B1 = 72.50 a
m
A1/B1 = 56.25 b
m
- A/B2
A3/B2 = 57.50
m
A2/B2 = 56.75
m
A1/B2 = 41.75
m
a
a
b
B/A
B/A1: Fcal = 66,39. Ftab5%(1,9) = 5,12. Rejeita-se Ho. Existe pelo menos
um constraste estatisticamente diferente de zero, entre mdias de niveis de B
dentro do nvel A1.
B/A2: Fcal = 189,55. Ftab5%(1,9) = 5,12. Rejeita-se Ho. Existe pelo
menos um constraste estatisticamente diferente de zero, entre mdias de niveis
de B dentro do nvel A2.
B/A3: Fcal = 71,05. Ftab5%(1,9) = 5,12. Rejeita-se Ho. Existe pelo menos
um constraste estatisticamente diferente de zero, entre mdias de niveis de B
dentro do nvel A2.
9.9.
147

Interao: Fcal = 0,42. Ftab5%(2,12) = 3,89. No rejeita-se Ho. Os fatores
atuam independentemente.
Fator A: Fcal = 22,05. Ftab5%(1,6) = 5,99. Rejeita-se Ho. Existe pelo
menos um contraste estatisticamente diferente de zero entre mdias de niveis
do fator A.
Fator B: Fcal = 5,83. Ftab5%(2,12) = 3,39. Rejeita-se Ho. Existe pelo
menos um contraste estatisticamente diferente de zero entre mdias de niveis
do fator B.
Teste de Duncan
Fator A: no necessrio. Teste F j conclusivo.
Fator B D3 = 1.87 e D2 = 1.78
Mdias
B3 = 6,29 a
m
B1 = 3,96 b
m
B2 = 3,79 b
m
Captulo 10
10.1.
0 = 997,4 1 = 0,56 x i Fcal= 84,3. A varivel independente influencia

significativamente a varivel dependente.
10.2.
0 = 92,7 1 = 0,08x i
Fcal= 3,55 A varivel independente no
influencia significativamente a varivel dependente.
10.3.
0 = 1 52 1 = 4,1282 F significativo. A varivel independente influencia

10.4.
0 = 11,24 1 = 10,4677 x i 2 = -1,1135

F cal=231,4. A varivel
independente influencia significativamente a varivel dependente.
10.5.
0 = 0,7 1 = 0,012 x i F cal= 67,52. A varivel independente influencia

10.6.
F cal=12,24. A varivel independente influencia significativamente a varivel
dependente.
10.7.
148

a) 144,4
b)No. F cal interao foi significativo.
c) Espcie 1 i GL=1 F conclusivo.
d)Fazer uma anlise por meio de regresso. Escolhendo o modelo mais
adequado.
10.8.
Modelo 3
F falta ajustamento n.s
F regresso significativo F cal= 5,06
R=78,2%
10.9.
a) 3,92 kg
b) 23,25C
10.10.
a)F cal= 225*
b) Sim. F significativo da regresso.
10.11.
0 = 120 , 44
Fcal = 44 , 49
10.12.
Yi = 16,1 0,16 x i 0.9 x i2
10.13.
F =1,097 n.s
Fcal = 97,63
Ftab = 9,07
10.14.
10.14.1. Falta de Ajustamento: Fcalc = 0,4. Ftab5%(3,10) = 3,71. No
rejeita-se Ho. O modelo linear de 1o grau apropriado para descrever o tempo
de sono em funo da dosagem de sonfero.
10.14.2. Regresso: Fcalc = 12. Ftab5%(1,10) = 4,96. Rejeita-se Ho. O
coeficiente 1 estatisticamente diferente de zero.
10.14.3. No recomendvel fazer tal estimativa, pois a dose de 17 mg
no est dentro do intervalo de dosagem testada.
10.15. OBSERVAO: VALORES APROXIMADOS
10.15.1. 23,76
10.15.2. 1,88 e -0,027
10.15.3. 34,81
10.15.4. 63,13
10.16.
10.16.1. 15,52
10.16.2. 1,74
149

10.17.
10.17.1. Fcalc = 43,68. Ftab5%(2,7) = 4,74. Rejeita-se Ho. A droga
resulta em uma perda de peso significativa.
10.17.2. 13,91
10.17.3. Como 35 mg est fora do intervalo testado, ento a equao de
regresso ajustada no pode ser usada para estimar a perda de peso para esta
dosagem.
10.18.
10.18.1. Falta de Ajustamento: Fcal = 1,93. Ftab5%(8,20) = 2,45. No
rejeita-se Ho. Logo o modelo ajustado adequado para descrever o fenmeno.
10.18.2. Regresso: Fcalc = 609,47. Ftab5%(1,20) = 4,35. Rejeita-se Ho.
A dosagem do suco de laranja tem efeito significativo na acidez da bebida
lctea.
10.18.3. 0,08.
10.19.
10.19.1. Fcal = 122,69. Ftab5%(2,7) = 4,74. Rejeita-se Ho. O fermento
tem influncia significativa no peso final dos pes.
10.19.2. 7,07
10.20.
10.20.1. Fcal = 340,31. Ftab5%(1,5) = 6,61. Rejeita-se Ho. A droga tem
influncia sobre o nvel de acar.
10.20.2. No possvel obter tal estimativa, pois a dose de 90 mg est
fora do intervalo testado.
150
Anexo 1 - Formulrio e Tabelas
Observaes:
As tabelas que aqui constam, foram adaptadas do livro: Curso de Estatstica Experimental (12 ed) de Frederico
Pimentel Gomes, 1987.
Este material ser usado em provas e portanto no dever conter informaes adicionais
Nome:_________________________________________________ Matrcula:______
151
Anexo 1 Formulrio e Tabelas
Formulrio
n
i =
m
i =1
SQ
s =
GL
2
2
k
X i i=1
SQ =
k
i=1 ri
ri
s= s
)=
s(m
2
c
n1 1)s12 + (n 2 1)s 22
(
=
> s2
F=
< s2
n1 + n 2 2
i=1
(m m2 ) (m m )
t= 1
m0
m
t=
s
()
=q
1
VC
2
=q
QMRe sduo
K
t=
()
V C
t=
1
1
s c2 +
n1 n 2
Di = z i
Di = zi
D mD
m
D =
m
s D2
n
()
( )
d
i=1
S=
(I 1)Ftab V (C)
CV(%) = 100
QM Re sduo
i =
m
i =1
n* =
= S2 ai = QMRe s ai
V C
C
i=1 ri
i=1 ri
1
VC
2
QMRe sduo
K
Xi
2
k
X
i =1
SQ = i k
i =1 ri
ri
n
di
n
i=1
2
di
n
s D2 = i=1
n 1
[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(a )
g.l. Re s(b )
QM Re sComb =
Ti
ri
=
m
G
N
QM Re s(a) + (J 1)QM Re s(b)

J
152
n
n
n
2
Y
n
X
i = 0 + 1 i + 2 X i
i =1
i =1
i =1
n
n
n
n
2
3
Y
X
X
X
=
i i
0
i
1
i
2 Xi
i =1
i =1
i =1
i =1
n
n
n
n
2
2
3
4
Y
X
X
X
=
i i
0
i
1
i
2 Xi
i =1
i =1
i =1
i =1
n
n
Y
n
=
0
1 Xi
i
i =1
i =1
n
n
n
Y X =
X
X i2
+
i i
0
i
1
i =1
i =1
i =1
Yi
n
i =1
SQTotal = Yi2
n
i =1
Yi
n
n
i =1
SQ Re gresso = 0 Yi + 1 Yi X i
n
i =1
i =1
R2 =
SQ Re gresso
SQTotal
R2 =
SQ Re gresso
SQTratamen tos
n
Yi
n
n
n
2
SQ Re gresso = 0 Yi + 1 Yi X i + 2 Yi X i i=1
n
i =1
i =1
i =1
153
Tabela 1 - Valores de t em nveis de 10% a 0,1% 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%
5%
2%
1%
0,5%
0,1%
6,31
2,92
2,35
2,13
2,02
1,94
1,90
1,86
1,83
1,81
1,80
1,78
1,77
1,76
1,75
1,75
1,74
1,73
1,73
1,73
1,72
1,72
1,71
1,71
1,71
1,71
1,70
1,70
1,70
1,70
1,68
1,67
1,65
1,65
12,71
4,30
3,18
2,78
2,57
2,45
2,36
2,31
2,26
2,23
2,20
2,18
2,16
2,14
2,13
2,12
2,11
2,10
2,09
2,09
2,08
2,07
2,07
2,06
2,06
2,06
2,05
2,05
2,04
2,04
2,02
2,00
1,98
1,96
31,82
6,97
4,54
3,75
3,37
3,14
3,10
2,90
2,82
2,76
2,72
2,68
2,65
2,62
2,60
2,58
2,57
2,55
2,54
2,53
2,52
2,51
2,50
2,49
2,49
2,48
2,47
2,47
2,46
2,46
2,42
2,39
2,36
2,33
63,66
9,92
5,84
4,60
4,03
3,71
3,50
3,36
3,25
3,17
3,11
3,06
3,01
2,98
2,95
2,92
2,90
2,88
2,86
2,84
2,83
2,82
2,81
2,80
2,79
2,78
2,77
2,76
2,76
2,75
2,70
2,66
2,62
2,58
127,32
14,09
7,45
5,60
4,77
4,32
4,03
3,83
3,69
3,58
3,50
3,43
3,37
3,33
3,29
3,25
3,22
3,20
3,17
3,15
3,14
3,12
3,10
3,09
3,08
3,07
3,06
3,05
3,04
3,03
2,97
2,92
2,86
2,81
636,62
31,60
12,94
8,61
6,86
5,96
5,41
5,04
4,78
4,59
4,44
4,32
4,22
4,14
4,07
4,02
3,97
3,92
3,88
3,85
3,82
3,79
3,77
3,75
3,73
3,71
3,69
3,67
3,66
3,65
3,55
3,46
3,37
3,29
154
Tabela 2 - Limites unilaterais de F ao nvel de 1% de probabilidade, 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
98,50
34,12
21,20
16,26
13,75
12,25
11,26
10,56
10,04
9,65
9,33
9,07
8,86
8,68
8,53
8,40
8,29
8,18
8,10
8,02
7,95
7,88
7,82
7,77
7,72
7,68
7,64
7,60
7,56
7,31
7,08
6,85
6,63
2
5000
99,00
30,82
18,00
13,27
10,92
9,55
8,65
8,02
7,56
7,21
6,93
6,70
6,51
6,36
6,23
6,11
6,01
5,93
5,85
5,78
5,72
5,66
5,61
5,57
5,53
5,49
5,45
5,42
5,39
5,18
4,98
4,79
4,61
3
5403
99,17
29,46
16,69
12,06
9,78
8,45
7,59
6,99
6,55
6,22
5,95
5,74
5,56
5,42
5,29
5,18
5,09
5,01
4,94
4,87
4,82
4,76
4,72
4,68
4,64
4,60
4,57
4,54
4,51
4,31
4,13
3,95
3,78
4
5625
99,25
28,71
15,98
11,39
9,15
7,85
7,01
6,42
5,99
5,67
5,41
5,21
5,04
4,89
4,77
4,67
4,58
4,50
4,43
4,37
4,31
4,26
4,22
4,18
4,14
4,11
4,07
4,04
4,02
3,83
3,65
3,48
3,32
5
5764
99,30
28,24
15,52
10,97
8,75
8,46
6,63
6,06
5,64
5,32
5,06
4,86
4,69
4,56
4,44
4,34
4,25
4,17
4,10
4,04
3,99
3,94
3,90
3,85
3,82
3,78
3,75
3,73
3,70
3,51
3,34
3,17
3,02
6
5859
99,33
27,91
15,21
10,67
8,47
7,19
6,37
5,80
5,39
5,07
4,82
4,62
4,46
4,32
4,20
4,10
4,01
3,94
3,87
3,81
3,76
3,71
3,67
3,63
3,59
3,56
3,53
3,50
3,47
3,29
3,12
2,96
2,80
7
5928
99,36
27,67
14,98
10,46
8,26
6,99
6,18
5,61
5,20
4,89
4,64
4,44
4,28
4,14
4,03
3,93
3,84
3,77
3,70
3,64
3,59
3,54
3,50
3,46
3,42
3,39
3,36
3,33
3,30
3,12
2,95
2,79
2,64
8
5982
99,37
27,49
14,80
10,29
8,10
6,84
6,03
5,47
5,06
4,74
4,50
4,30
4,14
4,00
3,89
3,79
3,71
3,63
3,56
3,51
3,45
3,41
3,36
3,32
3,29
3,26
3,23
3,20
3,17
2,99
2,82
2,66
2,51
9
6022
99,39
27,35
14,66
10,16
7,98
6,72
5,91
5,35
4,94
4,63
4,39
4,19
4,03
3,89
3,78
3,68
3,60
3,52
3,46
3,40
3,35
3,30
3,26
3,22
3,18
3,15
3,12
3,09
3,07
2,89
2,72
2,56
2,41
10
6056
99,40
27,23
14,55
10,05
7,87
6,62
5,81
5,26
4,85
4,54
4,30
4,10
3,94
3,80
3,69
3,59
3,51
3,43
3,37
3,31
3,26
3,21
3,17
3,13
3,09
3,06
3,03
3,00
2,98
2,80
2,63
2,47
2,32
11
6082
99,41
27,13
14,45
9,96
7,79
6,54
5,74
5,18
4,78
4,46
4,22
4,02
3,86
3,73
3,61
3,52
3,44
3,36
3,30
3,24
3,18
3,14
3,09
3,05
3,02
2,98
2,95
2,92
2,90
2,73
2,56
2,40
2,24
n1
12
6106
99,42
27,05
14,37
9,89
7,72
6,47
5,67
5,11
4,71
4,40
4,16
3,96
3,80
3,67
3,55
3,46
3,37
3,30
3,23
3,17
3,12
3,07
3,03
2,99
2,96
2,93
2,90
2,87
2,84
2,66
2,50
2,34
2,18
13
6125
99,42
26,98
14,30
9,83
7,66
6,41
5,61
5,05
4,65
4,34
4,10
3,90
3,75
3,61
3,50
3,40
3,32
3,24
3,18
3,12
3,07
3,02
2,98
2,94
2,91
2,88
2,85
2,82
2,79
2,61
2,45
2,29
2,12
14
6142
99,43
26,92
14,24
9,77
7,60
6,35
5,56
5,00
4,60
4,29
4,05
3,85
3,70
3,56
3,45
3,35
3,27
3,19
3,13
3,07
3,02
2,97
2,93
2,89
2,86
2,83
2,80
2,77
2,74
2,56
2,40
2,24
2,07
15
6157
99,43
26,87
14,20
9,72
7,56
6,31
5,52
4,96
4,56
4,25
4,01
3,82
3,66
3,52
3,41
3,31
3,23
3,15
3,09
3,03
2,98
2,93
2,89
2,85
2,81
2,78
2,75
2,73
2,70
2,52
2,35
2,19
2,04
16
6169
99,44
26,83
14,15
9,68
7,52
6,27
5,48
4,92
4,52
4,21
3,98
3,78
3,62
3,48
3,37
3,27
3,19
3,12
3,05
2,99
2,94
2,89
2,85
2,81
2,77
2,74
2,71
2,68
2,66
2,49
2,32
2,16
1,99
20
6209
99,45
26,69
14,02
9,55
7,40
6,16
5,36
4,81
4,41
4,10
3,86
3,66
3,51
3,37
3,26
3,16
3,08
3,00
2,94
2,88
2,83
2,78
2,74
2,70
2,66
2,63
2,60
2,57
2,55
2,37
2,20
2,03
1,88
24
6235
99,46
26,60
13,93
9,47
7,31
6,07
5,28
4,73
4,33
4,02
3,78
3,59
3,43
3,29
3,18
3,08
3,00
2,92
2,86
2,80
2,75
2,70
2,66
2,62
2,58
2,55
2,52
2,49
2,47
2,29
2,12
1,95
1,79
30
6261
99,47
26,50
13,84
9,38
7,23
5,99
5,20
4,65
4,25
3,94
3,70
3,51
3,35
3,21
3,10
3,00
2,92
2,84
2,78
2,72
2,67
2,62
2,58
2,54
2,50
2,47
2,44
2,41
2,39
2,20
2,03
1,86
1,70
40
6287
99,47
26,41
13,75
9,29
7,14
5,91
5,12
4,57
4,17
3,86
3,62
3,43
3,27
3,13
3,02
2,92
2,84
2,76
2,69
2,64
2,58
2,54
2,49
2,45
2,42
2,38
2,35
2,33
2,30
2,11
1,94
1,76
1,59
60
6313
99,48
26,32
13,65
9,20
7,06
5,82
5,03
4,48
4,08
3,78
3,54
3,34
3,18
3,05
2,93
2,83
2,75
2,67
2,61
2,55
2,50
2,45
2,40
2,36
2,33
2,29
2,26
2,23
2,21
2,02
1,84
1,66
1,47
120
6339
99,49
26,22
13,56
9,11
6,97
5,74
4,95
4,40
4,00
3,69
3,45
3,25
3,09
2,96
2,84
2,75
2,66
2,58
2,52
2,46
2,40
2,35
2,31
2,27
2,23
2,20
2,17
2,14
2,11
1,92
1,73
1,53
1,32
6366
99,50
26,13
13,46
9,02
6,88
5,65
4,86
4,31
3,91
3,60
3,36
3,17
3,00
2,87
2,75
2,65
2,57
2,49
2,42
2,36
2,31
2,26
2,21
2,17
2,13
2,10
2,06
2,03
2,01
1,80
1,60
1,38
1,00
n1 = nmero de graus de liberdade do numerador

n2 = nmero de graus de liberdade do denominador
155
Tabela 3 - Limites unilaterais de F ao nvel de 5% de probabilidade, 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
161,4
18,51
10,13
7,71
6,61
5,99
5,59
5,32
5,12
4,96
4,84
4,75
4,67
4,60
4,54
4,49
4,45
4,41
4,38
4,35
4,32
4,30
4,28
4,26
4,24
4,23
4,21
4,20
4,18
4,17
4,08
4,00
3,92
3,84
2
199,5
19,00
9,55
6,94
5,79
5,14
4,74
4,46
4,26
4,10
3,98
3,89
3,81
3,74
3,68
3,63
3,59
3,55
3,52
3,49
3,47
3,44
3,42
3,40
3,39
3,37
3,35
3,34
3,33
3,32
3,23
3,15
3,07
3,00
3
215,7
19,16
9,28
6,59
5,41
4,76
4,35
4,07
3,86
3,71
3,59
3,49
3,41
3,34
3,29
3,24
3,20
3,16
3,13
3,10
3,07
3,05
3,03
3,01
2,99
2,98
2,96
2,95
2,93
2,92
2,84
2,76
2,68
2,60
4
224,6
19,25
9,12
6,39
5,19
4,53
4,12
3,84
3,63
3,48
3,36
3,26
3,18
3,11
3,06
3,01
2,96
2,93
2,90
2,87
2,84
2,82
2,80
2,78
2,76
2,74
2,73
2,71
2,70
2,69
2,61
2,53
2,45
2,37
5
230,2
19,30
9,01
6,26
5,05
4,39
3,97
3,69
3,48
3,33
3,20
3,11
3,03
2,96
2,90
2,85
2,81
2,77
2,74
2,71
2,68
2,66
2,64
2,62
2,60
2,59
2,57
2,56
2,55
2,53
2,45
2,37
2,29
2,21
6
234,0
19,33
8,94
6,16
4,95
4,28
3,87
3,58
3,37
3,22
3,09
3,00
2,92
2,85
2,79
2,74
2,70
2,66
2,63
2,60
2,57
2,55
2,53
2,51
2,49
2,47
2,46
2,45
2,43
2,42
2,34
2,25
2,17
2,10
7
236,8
19,35
8,89
6,09
4,88
4,21
3,79
3,50
3,29
3,14
3,01
2,91
2,83
2,76
2,71
2,66
2,61
2,58
2,54
2,51
2,49
2,46
2,44
2,42
2,40
2,39
2,37
2,36
2,35
2,33
2,25
2,17
2,09
2,01
8
238,9
19,37
8,85
6,04
4,82
4,15
3,73
3,44
3,23
3,07
2,95
2,85
2,77
2,70
2,64
2,59
2,55
2,51
2,48
2,45
2,42
2,40
2,37
2,36
2,34
2,32
2,31
2,29
2,28
2,27
2,18
2,10
2,02
1,94
9
240,5
19,38
8,81
6,00
4,77
4,10
3,68
3,39
3,18
3,02
2,90
2,80
2,71
2,65
2,59
2,54
2,49
2,46
2,42
2,39
2,37
2,34
2,32
2,30
2,28
2,27
2,25
2,24
2,22
2,21
2,12
2,04
1,96
1,88
10
241,9
19,40
8,79
5,96
4,74
4,06
3,64
3,35
3,14
2,98
2,85
2,75
2,67
2,60
2,54
2,49
2,45
2,41
2,38
2,35
2,32
2,30
2,27
2,25
2,24
2,22
2,20
2,19
2,18
2,16
2,08
1,99
1,91
1,83
11
243,0
19,40
8,76
5,93
4,70
4,03
3,60
3,31
3,10
2,94
2,82
2,72
2,63
2,56
2,51
2,45
2,41
2,37
2,34
2,31
2,28
2,26
2,24
2,22
2,20
2,18
2,16
2,15
2,14
2,12
2,04
1,95
1,86
1,79
n1
12
243,9
19,41
8,74
5,91
4,68
4,00
3,57
3,28
3,07
2,91
2,79
2,69
2,60
2,53
2,48
2,42
2,38
2,34
2,31
2,28
2,25
2,23
2,20
2,18
2,16
2,15
2,13
2,12
2,10
2,09
2,00
1,92
1,83
1,75
13
244,4
19,42
8,72
5,89
4,66
3,98
3,55
3,25
3,04
2,88
2,76
2,66
2,57
2,50
2,45
2,39
2,35
2,31
2,28
2,25
2,22
2,20
2,17
2,15
2,13
2,12
2,10
2,09
2,07
2,06
1,97
1,89
1,80
1,72
14
245,0
19,42
8,71
5,87
4,64
3,96
3,52
3,23
3,02
2,86
2,74
2,64
2,55
2,48
2,43
2,37
2,33
2,29
2,26
2,23
2,20
2,18
2,14
2,13
2,11
2,10
2,08
2,06
2,05
2,04
1,95
1,86
1,77
1,69
15
245,9
19,43
8,70
5,86
4,62
3,94
3,51
3,22
3,01
2,85
2,72
2,62
2,53
2,46
2,40
2,35
2,31
2,27
2,23
2,20
2,18
2,15
2,13
2,11
2,09
2,07
2,06
2,04
2,03
2,01
1,92
1,84
1,75
1,67
16
246,0
19,43
8,69
5,84
4,60
3,92
3,49
3,20
2,98
2,82
2,70
2,60
2,51
2,44
2,39
2,33
2,29
2,25
2,21
2,18
2,15
2,13
2,10
2,09
2,06
2,05
2,03
2,02
2,00
1,99
1,90
1,81
1,73
1,64
20
248,0
19,45
8,66
5,80
4,56
3,87
3,44
3,15
2,94
2,77
2,65
2,54
2,46
2,39
2,33
2,28
2,23
2,19
2,16
2,12
2,10
2,07
2,05
2,03
2,01
1,99
1,97
1,96
1,94
1,93
1,84
1,75
1,66
1,57
24
249,1
19,45
8,64
5,77
4,53
3,84
3,41
3,12
2,90
2,74
2,61
2,51
2,42
2,35
2,29
2,24
2,19
2,15
2,11
2,08
2,05
2,03
2,01
1,98
1,96
1,95
1,93
1,91
1,90
1,89
1,79
1,70
1,61
1,52
30
250,1
19,46
8,62
5,75
4,50
3,81
3,38
3,08
2,86
2,70
2,57
2,47
2,38
2,31
2,25
2,19
2,15
2,11
2,07
2,04
2,01
1,98
1,96
1,94
1,92
1,90
1,88
1,87
1,85
1,84
1,74
1,65
1,55
1,46
40
251,1
19,47
9,59
5,72
4,46
3,77
3,34
3,04
2,83
2,66
2,53
2,43
2,34
2,27
2,20
2,15
2,10
2,06
2,03
1,99
1,96
1,94
1,91
1,89
1,87
1,85
1,84
1,82
1,81
1,79
1,69
1,59
1,50
1,39
60
252,2
19,48
8,57
5,69
4,43
3,74
3,30
3,01
2,79
2,62
2,49
2,38
2,30
2,22
2,16
2,11
2,06
2,02
1,98
1,95
1,92
1,89
1,86
1,84
1,82
1,80
1,79
1,77
1,75
1,74
1,64
1,53
1,43
1,32
120
253,3
19,49
8,55
5,66
4,40
3,70
3,27
2,97
2,75
2,58
2,45
2,34
2,25
2,18
2,11
2,06
2,01
1,97
1,93
1,90
1,87
1,84
1,81
1,79
1,77
1,75
1,73
1,71
1,70
1,68
1,58
1,47
1,35
1,22
n1 = nmero de graus de liberdade do numerador

n2 = nmero de graus de liberdade do denominador
156
254,3
19,50
8,53
5,63
4,36
3,67
3,23
2,93
2,71
2,54
2,40
2,30
2,21
2,13
2,07
2,01
1,96
1,92
1,88
1,84
1,81
1,78
1,76
1,73
1,71
1,69
1,67
1,65
1,64
1,62
1,51
1,39
1,25
1,00
Tabela 4 - Valores da amplitude total estudentizada (q), para uso no teste de Tukey, ao nvel 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
90,03
14,04
8,26
6,51
5,70
5,24
4,95
4,75
4,60
4,48
4,39
4,32
4,26
4,21
4,17
4,13
4,10
4,07
4,05
4,02
3,96
3,89
3,82
3,76
3,70
3,64
3
135,0
19,02
10,62
8,12
6,98
6,33
5,92
5,64
5,43
5,27
5,15
5,05
4,96
4,90
4,84
4,79
4,74
4,70
4,67
4,64
4,55
4,46
4,37
4,28
4,20
4,12
4
164,3
22,29
12,17
9,17
7,80
7,03
6,54
6,20
5,96
5,77
5,62
5,50
5,40
5,32
5,25
5,19
5,14
5,09
5,05
5,02
4,91
4,80
4,70
4,60
4,50
4,40
5
185,6
24,72
13,33
9,96
8,42
7,56
7,00
6,62
6,35
6,14
5,97
5,84
5,73
5,63
5,56
5,49
5,43
5,38
5,33
5,29
5,17
5,05
4,93
4,82
4,71
4,60
6
202,2
26,63
14,24
10,58
8,91
7,97
7,37
6,96
6,66
6,43
6,25
6,10
5,98
5,88
5,80
5,72
5,66
5,60
5,55
5,51
5,37
5,24
5,11
4,99
4,87
4,76
7
215,8
28,20
15,00
11,10
9,32
8,32
7,68
7,24
6,92
6,67
6,48
6,32
6,19
6,08
5,99
5,92
5,85
5,79
5,74
5,69
5,54
5,40
5,26
5,13
5,00
4,88
8
227,2
29,53
15,64
11,55
9,70
8,61
7,94
7,47
7,13
6,88
6,67
6,51
6,37
6,26
6,16
6,08
6,01
5,94
5,89
5,84
5,68
5,54
5,39
5,25
5,12
4,99
9
237,0
30,68
16,20
11,93
9,97
8,87
8,17
7,68
7,32
7,06
6,84
6,67
6,53
6,41
6,31
6,22
6,15
6,08
6,02
5,97
5,81
5,65
5,50
5,36
5,21
5,08
10
245,6
31,69
16,69
12,27
10,24
9,10
8,37
7,86
7,50
7,21
6,99
6,81
6,67
6,54
6,44
6,35
6,27
6,20
6,14
6,09
5,92
5,76
5,60
5,45
5,30
5,16
11
253,2
32,59
17,13
12,57
10,48
9,30
8,55
8,03
7,65
7,36
7,13
6,94
6,79
6,66
6,56
6,46
6,38
6,31
6,25
6,19
6,02
5,85
5,69
5,53
5,38
5,23
12
260,0
33,40
17,53
12,84
10,70
9,48
8,71
8,18
7,78
7,48
7,25
7,06
6,90
6,77
6,66
6,56
6,48
6,41
6,34
6,28
6,11
5,93
5,76
5,60
5,44
5,29
13
266,2
34,13
17,89
13,09
10,89
9,65
8,86
8,31
7,91
7,60
7,36
7,17
7,01
6,87
6,76
6,66
6,57
6,50
6,43
6,37
6,19
6,01
5,84
5,67
5,50
5,35
14
271,8
34,81
18,22
13,32
11,08
9,81
9,00
8,44
8,02
7,71
7,46
7,26
7,10
6,96
6,84
6,74
6,66
6,58
6,51
6,45
6,26
6,08
5,90
5,73
5,56
5,40
15
277,0
35,43
18,52
13,53
11,24
9,95
9,12
8,55
8,13
7,81
7,56
7,36
7,19
7,05
6,93
6,82
6,73
6,66
6,58
6,52
6,33
6,14
5,96
5,78
5,61
5,45
16
281,8
36,00
18,81
13,73
11,40
10,08
9,24
8,66
8,23
7,91
7,65
7,44
7,27
7,13
7,00
6,90
6,81
6,72
6,65
6,59
6,39
6,20
6,02
5,84
5,66
5,49
17
286,3
36,53
19,07
13,91
11,55
10,21
9,35
8,76
8,32
7,99
7,73
7,52
7,34
7,20
7,07
6,97
6,87
6,79
6,72
6,65
6,45
6,26
6,07
5,89
5,71
5,54
18
290,4
37,03
19,32
14,08
11,68
10,32
9,46
8,85
8,41
8,08
7,81
7,59
7,42
7,27
7,14
7,03
6,94
6,85
6,78
6,71
6,51
6,31
6,12
5,93
5,75
5,57
19
294,3
37,50
19,55
14,24
11,81
10,43
9,55
8,94
8,50
8,15
7,88
7,66
7,48
7,33
7,20
7,09
7,00
6,91
6,84
6,77
6,56
6,36
6,16
5,97
5,79
5,61
I = nmero de nveis do fator em teste

n2 = nmero de graus de liberdade do resduo
157
(continuao)
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
298,0
37,95
19,77
14,40
11,93
10,54
9,65
9,03
8,58
8,23
7,95
7,73
7,55
7,40
7,26
7,15
7,05
6,97
6,89
6,82
6,61
6,41
6,21
6,02
5,83
5,64
22
304,7
38,76
20,17
14,68
12,16
10,73
9,82
9,18
8,72
8,36
8,08
7,85
7,66
7,51
7,37
7,26
7,16
7,07
6,99
6,92
6,70
6,49
6,29
6,09
5,90
5,71
24
310,8
39,49
20,53
14,93
12,36
10,91
9,97
9,32
8,85
8,48
8,20
7,96
7,77
7,61
7,47
7,36
7,25
7,16
7,08
7,01
6,79
6,57
6,36
6,16
5,96
5,77
26
316,3
40,15
20,86
15,16
12,54
11,06
10,11
9,45
8,97
8,60
8,30
8,07
7,87
7,70
7,57
7,44
7,34
7,25
7,17
7,09
6,86
6,64
6,43
6,22
6,02
5,82
28
321,3
40,76
21,16
15,37
12,71
11,21
10,24
9,57
9,08
8,70
8,40
8,16
7,96
7,79
7,65
7,53
7,42
7,32
7,24
7,17
6,94
6,71
6,49
6,28
6,07
5,87
30
326,0
41,32
21,44
15,57
12,87
11,34
10,36
9,68
9,18
8,79
8,49
8,25
8,04
7,87
7,73
7,60
7,49
7,40
7,31
7,24
7,00
6,77
6,55
6,33
6,12
5,91
32
330,3
41,84
21,70
15,75
13,02
11,47
10,47
9,78
9,27
8,88
8, 58
8,33
8,12
7,95
7,80
7,67
7,56
7,46
7,38
7,30
7,06
6,83
6,60
6,38
6,16
5,95
34
334,3
42,33
21,95
15,92
13,15
11,58
10,58
9,87
9,36
8,97
8,65
8,40
8,19
8,02
7,87
7,74
7,63
7,53
7,44
7,36
7,12
6,88
6,65
6,42
6,20
5,99
I
36
338,0
42,78
22,17
16,08
13,28
11,69
10,67
9,96
9,44
9,04
8,73
8,47
8,26
8,08
7,93
7,80
7,69
7,59
7,50
7,42
7,17
6,93
6,70
6,47
6,24
6,03
38
341,5
43,21
22,39
16,23
13,40
11,80
10,77
10,05
9,52
9,12
8,80
8,54
8,33
8,15
7,99
7,86
7,74
7,64
7,55
7,47
7,22
6,98
6,74
6,51
6,28
6,06
40
344,8
43,61
22,59
16,37
13,52
11,90
10,85
10,13
9,59
9,19
8,86
8,60
8,39
8,20
8,05
7,92
7,80
7,70
7,60
7,52
7,27
7,02
6,78
6,55
6,32
6,09
50
358,9
45,33
23,45
16,98
14,00
12,31
11,23
10,47
9,91
9,49
9,15
8,88
8,65
8,46
8,30
8,15
8,03
7,92
7,83
7,74
7,48
7,22
6,96
6,71
6,47
6,23
60
370,1
46,70
24,13
17,46
14,39
12,65
11,52
10,75
10,17
9,73
9,38
9,09
8,86
8,66
8,49
8,35
8,22
8,11
8,01
7,92
7,64
7,37
7,10
6,84
6,59
6,34
70
379,4
47,83
24,71
17,86
14,72
12,92
11,77
10,97
10,38
9,93
9,57
9,28
9,04
8,83
8,66
8,51
8,38
8,26
8,16
8,07
7,78
7,50
7,22
6,95
6,69
6,43
80
387,3
48,80
25,19
18,20
14,99
13,16
11,99
11,17
10,57
10,10
9,73
9,43
9,19
8,98
8,80
8,65
8,51
8,39
8,29
8,19
7,90
7,61
7,33
7,05
6,78
6,51
90
394,1
49,64
25,62
18,50
15,23
13,37
12,17
11,34
10,73
10,25
9,88
9,57
9,32
9,11
8,92
8,77
8,63
8,51
8,40
8,30
8,00
7,71
7,42
7,13
6,85
6,58
100
400,1
50,38
25,99
18,77
15,45
13,55
12,34
11,49
10,87
10,39
10,00
9,69
9,44
9,22
9,04
8,87
8,74
8,61
8,50
8,40
8,10
7,80
7,50
7,21
6,92
6,64

158
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
17,97 26,98 32,82 37,08 40,41 43,12 45,40 47,36 49,07 50,59 51,96 53,20 54,33 55,36 56,32 57,22 58,04 58,83 59,56
6,09
8,33
9,80 10,88 11,74 12,44 13,03 13,54 13,99 14,39 14,75 15,08 15,38 16,65 15,91 16,14 16,37 16,57 16,77
4,50
5,91
6,83
7,50
8,04
8,48
8,85
9,18
9,46
9,72
9,95 10,15 10,35 10,53 10,69 10,84 10,98 11,11 11,24
3,93
5,04
5,76
6,29
6,71
7,05
7,35
7,60
7,83
8,03
8,21
8,37
8,53
8,66
8,79
8,91
9,03
9,13
9,23
3,64
4,60
5,22
5,67
6,03
6,33
6,58
6,80
7,00
7,17
7,32
7,47
7,60
7,72
7,83
7,93
8,03
8,12
8,21
3,46
4,34
4,90
5,31
5,63
5,90
6,12
6,32
6,49
6,65
6,79
6,92
7,03
7,14
7,24
7,34
7,43
7,51
7,59
3,34
4,17
4,68
5,06
5,36
5,61
5,82
6,00
6,16
6,30
6,43
6,55
6,66
6,76
6,85
6,94
7,02
7,10
7,17
3,26
4,04
4,53
4,89
5,17
5,40
5,60
5,77
5,92
6,05
6,18
6,29
6,39
6,48
6,57
6,65
6,73
6,80
6,87
3,20
3,95
4,42
4,76
5,02
5,24
5,43
5,60
5,74
5,87
5,98
6,09
6,19
6,28
6,36
6,44
6,51
6,58
6,64
3,15
3,88
4,33
4,65
4,91
5,12
5,31
5,46
5,60
5,72
5,83
5,94
6,03
6,11
6,19
6,27
6,34
6,41
6,47
3,11
3,82
4,26
4,57
4,82
5,03
5,20
5,35
5,49
5,61
5,71
5,81
5,90
5,98
6,06
6,13
6,20
6,27
6,33
3,08
3,77
4,20
4,51
4,75
4,95
5,12
5,27
5,40
5,51
5,62
5,71
5,80
5,88
5,95
6,02
6,09
6,15
6,21
3,06
3,74
4,15
4,45
4,69
4,89
5,05
5,19
5,32
5,43
5,53
5,63
5,71
5,79
5,86
5,93
6,00
6,06
6,11
3,03
3,70
4,11
4,41
4,64
4,83
4,99
5,13
5,25
5,36
5,46
5,55
5,64
5,71
5,79
5,85
5,92
5,97
6,03
3,01
3,67
4,08
4,37
4,60
4,78
4,94
5,08
5,20
5,31
5,40
5,49
5,57
5,65
5,72
5,79
5,85
5,90
5,96
3,00
3,65
4,05
4,33
4,56
4,74
4,90
5,03
5,15
5,26
5,35
5,44
5,52
5,59
5,66
5,73
5,79
5,84
5,90
2,98
3,63
4,02
4,30
4,52
4,71
4,86
4,99
5,11
5,21
5,31
5,39
5,47
5,54
5,61
5,68
5,73
5,79
5,84
2,97
3,61
4,00
4,28
4,50
4,67
4,82
4,96
5,07
5,17
5,27
5,35
5,43
5,50
5,57
5,63
5,69
5,74
5,79
2,96
3,59
3,98
4,25
4,47
4,65
4,79
4,92
5,04
5,14
5,23
5,32
5,39
5,46
5,53
5,59
5,65
5,70
5,75
2,95
3,58
3,96
4,23
4,45
4,62
4,77
4,90
5,01
5,11
5,20
5,28
5,36
5,43
5,49
5,55
5,61
5,66
5,71
2,92
3,53
3,90
4,17
4,37
4,54
4,68
4,81
4,92
5,01
5,10
5,18
5,25
5,32
5,38
5,44
5,49
5,55
5,59
2,89
3,49
3,85
4,10
4,30
4,46
4,60
4,72
4,82
4,92
5,00
5,08
5,15
5,21
5,27
5,33
5,38
5,43
5,48
2,86
3,44
3,79
4,04
4,23
4,39
4,52
4,64
4,74
4,82
4,90
4,98
5,04
5,11
5,16
5,22
5,27
5,31
5,36
2,83
3,40
3,74
3,98
4,16
4,31
4,44
4,55
4,65
4,73
4,81
4,88
4,94
5,00
5,06
5,11
5,15
5,20
5,24
2,80
3,36
3,69
3,92
4,10
4,24
4,36
4,47
4,56
4,64
4,71
4,78
4,84
4,90
4,95
5,00
5,04
5,09
5,13
2,77
3,31
3,63
3,86
4,03
4,17
4,29
4,39
4,47
4,55
4,62
4,69
4,74
4,80
4,85
4,89
4,93
4,97
5,01

159
(continuao).
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
60,91
17,13
11,47
9,42
8,37
7,73
7,30
7,00
6,76
6,58
6,44
6,32
6,22
6,13
6,06
6,00
5,94
5,89
5,85
5,81
5,68
5,56
5,44
5,32
5,20
5,08
24
62,12
17,45
11,68
9,58
8,51
7,86
7,42
7,11
6,87
6,69
6,54
6,41
6,31
6,22
6,15
6,08
6,03
5,98
5,93
5,89
5,76
5,64
5,51
5,39
5,27
5,14
26
63,22
17,75
11,87
9,74
8,64
7,98
7,53
7,21
6,97
6,78
6,63
6,50
6,40
6,31
6,23
6,17
6,11
6,06
6,01
5,97
5,84
5,71
5,58
5,45
5,33
5,20
28
64,23
18,02
12,05
9,88
8,76
8,09
7,63
7,31
7,06
6,87
6,71
6,59
6,48
6,39
6,31
6,24
6,18
6,13
6,08
6,04
5,91
5,77
5,64
5,51
5,38
5,25
30
65,15
18,27
12,21
10,00
8,88
8,19
7,73
7,40
7,15
6,95
6,79
6,66
6,55
6,46
6,38
6,31
6,25
6,20
6,15
6,10
5,97
5,83
5,70
5,57
5,43
5,30
32
66,01
18,50
12,36
10,12
8,98
8,28
7,81
7,48
7,22
7,02
6,86
6,73
6,62
6,53
6,45
6,37
6,31
6,26
6,21
6,17
6,03
5,89
5,75
5,62
5,48
5,35
34
66,81
18,72
12,50
10,23
9,08
8,37
7,90
7,55
7,30
7,09
6,93
6,80
6,68
6,59
6,51
6,43
6,37
6,32
6,27
6,22
6,09
5,94
5,80
5,66
5,53
5,39
36
67,56
18,92
12,63
10,34
9,17
8,45
7,97
7,63
7,36
7,16
6,99
6,86
6,74
6,65
6,56
6,49
6,43
6,37
6,32
6,28
6,13
5,99
5,85
5,71
5,57
5,43
38
68,26
19,11
12,75
10,44
9,25
8,53
8,04
7,69
7,43
7,22
7,05
6,92
6,80
6,70
6,62
6,54
6,48
6,42
6,37
6,33
6,18
6,04
5,89
5,75
5,61
5,46
40
68,92
19,28
12,87
10,53
9,33
8,60
8,11
7,76
7,49
7,28
7,11
6,97
6,85
6,75
6,67
6,59
6,53
6,47
6,42
6,37
6,23
6,08
5,93
5,79
5,64
5,50
50
71,73
20,05
13,36
10,93
9,67
8,91
8,40
8,03
7,75
7,53
7,35
7,21
7,08
6,98
6,89
6,81
6,74
6,68
6,63
6,58
6,42
6,27
6,11
5,96
5,80
5,65
60
73,97
20,66
13,76
11,24
9,95
9,16
8,63
8,25
7,96
7,73
7,55
7,39
7,27
7,16
7,07
6,98
6,91
6,85
6,79
6,74
6,58
6,42
6,26
6,09
5,93
5,76
70
75,82
21,16
14,08
11,51
10,18
9,37
8,82
8,43
8,13
7,90
7,71
7,55
7,42
7,31
7,21
7,13
7,05
6,99
6,93
6,88
6,71
6,54
6,38
6,21
6,04
5,86
80
77,40
21,59
14,36
11,73
10,38
9,55
8,99
8,59
8,28
8,04
7,85
7,69
7,55
7,44
7,34
7,25
7,18
7,11
7,05
6,99
6,82
6,65
6,48
6,30
6,13
5,95
90
78,77
21,96
14,61
11,92
10,54
9,70
9,13
8,72
8,41
8,17
7,97
7,80
7,67
7,55
7,45
7,36
7,28
7,21
7,15
7,10
6,92
6,74
6,57
6,39
6,21
6,02
100
79,98
22,29
14,82
12,09
10,69
9,84
9,26
8,84
8,53
8,28
8,08
7,91
7,77
7,65
7,55
7,46
7,38
7,31
7,24
7,19
7,01
6,83
6,65
6,46
6,28
6,09

160
Tabela 6 - Valores da amplitude total estudentizada (z), para uso no teste de Duncan, ao nvel de 1% de probabilidade
n
n2
2
3
4
5
6
7
8
9
10
12
14
16
18
20
1
90,00 90,00 90,00 90,00 90,00 90,00 90,00 90,00 90,00 90,00 90,00 90,00 90,00 90,00
2
14,00 14,00 14,00 14,00 14,00 14,00 14,00 14,00 14,00 14,00 14,00 14,00 14,00 14,00
3
8,26
8,50
8,60
8,70
8,80
8,90
8,90
9,00
9,00
9,00
9,10
9,20
9,30
9,30
4
6,51
6,80
6,90
7,00
7,10
7,10
7,20
7,20
7,30
7,30
7,40
7,40
7,50
7,50
5
5,70
5,96
6,11
6,18
6,26
6,33
6,40
6,44
6,50
6,60
6,60
6,70
6,70
6,80
6
5,24
5,51
5,65
5,73
5,81
5,88
5,95
6,00
6,00
6,10
6,20
6,20
6,30
6,30
7
4,95
5,22
5,37
5,45
5,53
5,61
5,69
5,73
5,80
5,80
5,90
5,90
6,00
6,00
8
4,74
5,00
5,14
5,23
5,32
5,40
5,47
5,51
5,50
5,60
5,70
5,70
5,80
5,80
9
4,60
4,86
4,99
5,08
5,17
5,25
5,32
5,36
5,40
5,50
5,50
5,60
5,70
5,70
10
4,48
4,73
4,88
4,96
5,06
5,13
5,20
5,24
5,28
5,36
5,42
5,48
5,54
5,55
11
4,39
4,63
4,77
4,86
4,94
5,01
5,06
5,12
5,15
5,24
5,28
5,34
5,38
5,39
12
4,32
4,55
4,68
4,76
4,84
4,92
4,96
5,02
5,07
5,13
5,17
5,22
5,24
5,26
13
4,26
4,48
4,62
4,69
4,74
4,84
4,88
4,94
4,98
5,04
5,08
5,13
5,14
5,15
14
4,21
4,42
4,55
4,63
4,70
4,78
4,83
4,87
4,91
4,96
5,00
5,04
5,06
5,07
15
4,17
4,37
4,50
4,58
4,64
4,72
4,77
4,81
4,84
4,90
4,94
4,97
4,99
5,00
16
4,13
4,34
4,45
4,54
4,60
4,67
4,72
4,76
4,79
4,84
4,88
4,91
4,93
4,94
17
4,10
4,30
4,41
4,50
4,56
4,63
4,68
4,72
4,75
4,80
4,83
4,86
4,88
4,89
18
4,07
4,27
4,38
4,46
4,53
4,59
4,64
4,68
4,71
4,76
4,79
4,82
4,84
4,85
19
4,05
4,24
4,35
4,43
4,50
4,56
4,61
4,64
4,67
4,72
4,76
4,79
4,81
4,82
20
4,02
4,22
4,33
4,40
4,47
4,53
4,58
4,61
4,65
4,69
4,73
4,76
4,78
4,79
22
3,99
4,17
4,28
4,36
4,42
4,48
4,53
4,57
4,60
4,65
4,68
4,71
4,74
4,75
24
3,96
4,14
4,24
4,33
4,39
4,44
4,49
4,53
4,57
4,62
4,64
4,67
4,70
4,72
26
3,93
4,11
4,21
4,30
4,36
4,41
4,46
4,50
4,53
4,58
4,62
4,65
4,67
4,69
28
3,91
4,08
4,18
4,28
4,34
4,39
4,43
4,47
4,51
4,56
4,60
4,62
4,65
4,67
30
3,89
4,06
4,16
4,22
4,32
4,36
4,41
4,45
4,48
4,54
4,58
4,61
4,63
4,65
40
3,82
3,99
4,10
4,17
4,24
4,30
4,34
4,37
4,41
4,46
4,51
4,54
4,57
4,59
60
3,76
3,92
4,03
4,12
4,17
4,23
4,27
4,31
4,34
4,39
4,44
4,47
4,50
4,53
100
3,71
3,86
3,98
4,06
4,11
4,17
4,21
4,25
4,29
4,35
4,38
4,42
4,45
4,48
3,64 3,80 3,90 3,98 4,04 4,09 4,14 4,17 4,20 4,26 4,31 4,34 4,38 4,41
50
90,00
14,00
9,30
7,50
6,80
6,30
6,00
5,80
5,70
5,55
5,39
5,26
5,15
5,07
5,00
4,94
4,89
4,85
4,82
4,79
4,75
4,74
4,73
4,72
4,71
4,69
4,66
4,64
4,60
100
90,00
14,00
9,30
7,50
6,80
6,30
6,00
5,80
5,70
5,55
5,39
5,26
5,15
5,07
5,00
4,94
4,89
4,85
4,82
4,79
4,75
4,74
4,73
4,72
4,71
4,69
4,66
4,65
4,68
n = n de mdias ordenadas abrangidas pelo contraste

n2 = n de graus de liberdade do resduo
161
Tabela 7 - Valores da amplitude total estudentizada (z), para uso no teste de Duncan, ao nvel de 5% de probabilidade
n
n2
2
3
4
5
6
7
8
9
10
12
14
16
18
20
50
1
18,0 18,0 18,0 18,0 18,0 18,0 18,0 18,0 18,0 18,0 18,0 18,0 18,0 18,0 18,0
2
6,09 6,09 6,09 6,09 6,09 6,09 6,09 6,09 6,09 6,09 6,09 6,09 6,09 6,09 6,09
3
4,50 4,50 4,50 4,50 4,50 4,50 4,50 4,50 4,50 4,50 4,50 4,50 4,50 4,50 4,50
4
3,93 4,01 4,02 4,02 4,02 4,02 4,02 4,02 4,02 4,02 4,02 4,02 4,02 4,02 4,02
5
3,64 3,74 3,79 3,83 3,83 3,83 3,83 3,83 3,83 3,83 3,83 3,83 3,83 3,83 3,83
6
3,46 3,58 3,64 3,68 3,68 3,68 3,68 3,68 3,68 3,68 3,68 3,68 3,68 3,68 3,68
7
3,35 3,47 3,54 3,58 3,60 3,61 3,61 3,61 3,61 3,61 3,61 3,61 3,61 3,61 3,61
8
3,26 3,39 3,47 3,52 3,55 3,56 3,56 3,56 3,56 3,56 3,56 3,56 3,56 3,56 3,56
9
3,20 3,34 3,41 3,47 3,50 3,52 3,52 3,52 3,52 3,52 3,52 3,52 3,52 3,52 3,52
10
3,15 3,30 3,37 3,43 3,46 3,47 3,47 3,47 3,47 3,47 3,47 3,47 3,47 3,48 3,48
11
3,11 3,27 3,35 3,39 3,43 3,44 3,45 3,46 3,46 3,46 3,46 3,46 3,47 3,48 3,48
12
3,08 3,23 3,33 3,36 3,40 3,42 3,44 3,44 3,46 3,46 3,46 3,46 3,47 3,48 3,48
13
3,06 3,21 3,30 3,35 3,38 3,41 3,42 3,44 3,45 3,45 3,46 3,46 3,47 3,47 3,47
14
3,03 3,18 3,27 3,33 3,37 3,39 3,41 3,42 3,44 3,45 3,46 3,46 3,47 3,47 3,47
15
3,01 3,16 3,25 3,31 3,36 3,38 3,40 3,42 3,43 3,44 3,45 3,46 3,47 3,47 3,47
16
3,00 3,15 3,23 3,30 3,34 3,37 3,39 3,41 3,43 3,44 3,45 3,46 3,47 3,47 3,47
17
2,98 3,13 3,22 3,28 3,33 3,36 3,38 3,40 3,42 3,44 3,45 3,46 3,47 3,47 3,47
18
2,97 3,12 3,21 3,27 3,32 3,35 3,37 3,39 3,41 3,43 3,45 3,46 3,47 3,47 3,47
19
2,96 3,11 3,19 3,26 3,31 3,35 3,37 3,39 3,41 3,43 3,44 3,46 3,47 3,47 3,47
20
2,95 3,10 3,18 3,25 3,30 3,34 3,36 3,38 3,40 3,43 3,44 3,46 3,46 3,47 3,47
22
2,93 3,08 3,17 3,24 3,29 3,32 3,35 3,37 3,39 3,42 3,44 3,45 3,46 3,47 3,47
24
2,92 3,07 3,15 3,22 3,28 3,31 3,34 3,37 3,38 3,41 3,44 3,45 3,46 3,47 3,47
26
2,91 3,06 3,14 3,21 3,27 3,30 3,34 3,36 3,38 3,41 3,43 3,45 3,46 3,47 3,47
28
2,90 3,04 3,13 3,20 3,26 3,30 3,33 3,35 3,37 3,40 3,43 3,45 3,46 3,47 3,47
30
2,89 3,04 3,12 3,20 3,25 3,29 3,32 3,35 3,37 3,40 3,43 3,44 3,46 3,47 3,47
40
2,86 3,01 3,10 3,17 3,22 3,27 3,30 3,33 3,35 3,39 3,42 3,44 3,46 3,47 3,47
60
2,83 2,98 3,08 3,14 3,20 3,24 3,28 3,31 3,33 3,37 3,40 3,43 3,45 3,47 3,48
100 2,80 2,95 3,05 3,12 3,18 3,22 3,26 3,29 3,32 3,36 3,40 3,42 3,45 3,47 3,53
2,77 2,92 3,02 3,09 3,15 3,19 3,23 3,26 3,29 3,34 3,38 3,41 3,44 3,47 3,61
100
18,0
6,09
4,50
4,02
3,83
3,68
3,61
3,56
3,52
3,48
3,48
3,48
3,47
3,47
3,47
3,47
3,47
3,47
3,47
3,47
3,47
3,47
3,47
3,47
3,47
3,47
3,48
3,53
3,67
n = n de mdias ordenadas abrangidas pelo contraste

n2 = n de graus de liberdade do resduo
162
Tabela 8 - Valores crticos (dc) para o teste de Lilliefors (adaptado de Barbetta et al.2004)
=5%
0,381
0,337
0,319
0,300
0,285
0,271
0,258
0,249
0,242
0,234
0,227
0,220
0,213
0,206
0,200
0,179
0,190
0,173
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
=1%
0,734
0,405
0,364
0,348
0,331
0,311
0,294
0,284
0,275
0,268
0,261
0,257
0,250
0,245
0,239
0,235
0,231
0,200
0,187
1,031
dc =
N
163
Tabela 9 Valores da funo de distribuio acumulada da normal padro, Z, tal que F(z) = P(0 Z z)
z
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
3.9
4.0
0.00
0.00000
0.03983
0.07926
0.11791
0.15542
0.19146
0.22575
0.25804
0.28814
0.31594
0.34134
0.36433
0.38493
0.40320
0.41924
0.43319
0.44520
0.45543
0.46407
0.47128
0.47725
0.48214
0.48610
0.48928
0.49180
0.49379
0.49534
0.49653
0.49744
0.49813
0.49865
0.49903
0.49931
0.49952
0.49966
0.49977
0.49984
0.49989
0.49993
0.49995
0.49997
0.01
0.00399
0.04380
0.08317
0.12172
0.15910
0.19497
0.22907
0.26115
0.29103
0.31859
0.34375
0.36650
0.38686
0.40490
0.42073
0.43448
0.44630
0.45637
0.46485
0.47193
0.47778
0.48257
0.48645
0.48956
0.49202
0.49396
0.49547
0.49664
0.49752
0.49819
0.49869
0.49906
0.49934
0.49953
0.49968
0.49978
0.49985
0.49990
0.49993
0.49995
0.49997
0.02
0.00798
0.04776
0.08706
0.12552
0.16276
0.19847
0.23237
0.26424
0.29389
0.32121
0.34614
0.36864
0.38877
0.40658
0.42220
0.43574
0.44738
0.45728
0.46562
0.47257
0.47831
0.48300
0.48679
0.48983
0.49224
0.49413
0.49560
0.49674
0.49760
0.49825
0.49874
0.49910
0.49936
0.49955
0.49969
0.49978
0.49985
0.49990
0.49993
0.49996
0.49997
0.03
0.01197
0.05172
0.09095
0.12930
0.16640
0.20194
0.23565
0.26730
0.29673
0.32381
0.34849
0.37076
0.39065
0.40824
0.42364
0.43699
0.44845
0.45818
0.46638
0.47320
0.47882
0.48341
0.48713
0.49010
0.49245
0.49430
0.49573
0.49683
0.49767
0.49831
0.49878
0.49913
0.49938
0.49957
0.49970
0.49979
0.49986
0.49990
0.49994
0.49996
0.49997
0.04
0.01595
0.05567
0.09483
0.13307
0.17003
0.20540
0.23891
0.27035
0.29955
0.32639
0.35083
0.37286
0.39251
0.40988
0.42507
0.43822
0.44950
0.45907
0.46712
0.47381
0.47932
0.48382
0.48745
0.49036
0.49266
0.49446
0.49585
0.49693
0.49774
0.49836
0.49882
0.49916
0.49940
0.49958
0.49971
0.49980
0.49986
0.49991
0.49994
0.49996
0.49997
0.05
0.01994
0.05962
0.09871
0.13683
0.17364
0.20884
0.24215
0.27337
0.30234
0.32894
0.35314
0.37493
0.39435
0.41149
0.42647
0.43943
0.45053
0.45994
0.46784
0.47441
0.47982
0.48422
0.48778
0.49061
0.49286
0.49461
0.49598
0.49702
0.49781
0.49841
0.49886
0.49918
0.49942
0.49960
0.49972
0.49981
0.49987
0.49991
0.49994
0.49996
0.49997
0.06
0.02392
0.06356
0.10257
0.14058
0.17724
0.21226
0.24537
0.27637
0.30511
0.33147
0.35543
0.37698
0.39617
0.41308
0.42785
0.44062
0.45154
0.46080
0.46856
0.47500
0.48030
0.48461
0.48809
0.49086
0.49305
0.49477
0.49609
0.49711
0.49788
0.49846
0.49889
0.49921
0.49944
0.49961
0.49973
0.49981
0.49987
0.49992
0.49994
0.49996
0.49998
0.07
0.02790
0.06749
0.10642
0.14431
0.18082
0.21566
0.24857
0.27935
0.30785
0.33398
0.35769
0.37900
0.39796
0.41466
0.42922
0.44179
0.45254
0.46164
0.46926
0.47558
0.48077
0.48500
0.48840
0.49111
0.49324
0.49492
0.49621
0.49720
0.49795
0.49851
0.49893
0.49924
0.49946
0.49962
0.49974
0.49982
0.49988
0.49992
0.49995
0.49996
0.49998
0.08
0.03188
0.07142
0.11026
0.14803
0.18439
0.21904
0.25175
0.28230
0.31057
0.33646
0.35993
0.38100
0.39973
0.41621
0.43056
0.44295
0.45352
0.46246
0.46995
0.47615
0.48124
0.48537
0.48870
0.49134
0.49343
0.49506
0.49632
0.49728
0.49801
0.49856
0.49896
0.49926
0.49948
0.49964
0.49975
0.49983
0.49988
0.49992
0.49995
0.49997
0.49998
0.09
0.03586
0.07535
0.11409
0.15173
0.18793
0.22240
0.25490
0.28524
0.31327
0.33891
0.36214
0.38298
0.40147
0.41774
0.43189
0.44408
0.45449
0.46327
0.47062
0.47670
0.48169
0.48574
0.48899
0.49158
0.49361
0.49520
0.49643
0.49736
0.49807
0.49861
0.49900
0.49929
0.49950
0.49965
0.49976
0.49983
0.49989
0.49992
0.49995
0.49997
0.49998
164
Tabela 10 Valores crticos para teste de Cochran para homogeneidade de Varincias

= 1%
I
2
3
4
5
6
7
8
9
10
12
15
20
24
30
40
60
120
I
2
3
4
5
6
7
8
9
10
12
15
20
24
30
40
60
120
1
0.9999
0.9933
0.9676
0.9279
0.8828
0.8376
0.7945
0.7544
0.7175
0.6528
0.5747
0.4799
0.4247
0.3632
0.2940
0.2151
0.1225
0
2
0.9950
0.9423
0.8643
0.7885
0.7218
0.6644
0.6152
0.5727
0.5358
0.4751
0.4069
0.3297
0.2871
0.2412
0.1915
0.1371
0.0759
0
3
0.9794
0.8831
0.7814
0.6957
0.6258
0.5685
0.5209
0.4810
0.4469
0.3919
0.3317
0.2654
0.2295
0.1913
0.1508
0.1069
0.0585
0
4
0.9586
0.8335
0.7212
0.6329
0.5635
0.5080
0.4627
0.4251
0.3934
0.3428
0.2882
0.2288
0.1970
0.1635
0.1281
0.0902
0.0489
0
5
0.9373
0.7933
0.6761
0.5875
0.5195
0.4659
0.4226
0.3870
0.3572
0.3099
0.2593
0.2048
0.1759
0.1454
0.1135
0.0796
0.0429
0
6
0.9172
0.7606
0.6410
0.5531
0.4866
0.4347
0.3932
0.3592
0.3308
0.2861
0.2386
0.1877
0.1608
0.1327
0.1033
0.0722
0.0387
0
K1
7
8
0.8988 0.8823
0.7335 0.7107
0.6129 0.5897
0.5259 0.5037
0.4608 0.4401
0.4105 0.3911
0.3704 0.3522
0.3378 0.3207
0.3106 0.2945
0.2680 0.2535
0.2228 0.2104
0.1748 0.1646
0.1495 0.1406
0.1232 0.1157
0.0957 0.0898
0.0668 0.0625
0.0357 0.0334
0
0
9
0.8674
0.6912
0.5702
0.4854
0.4229
0.3751
0.3373
0.3067
0.2813
0.2419
0.2002
0.1567
0.1338
0.1100
0.0853
0.0594
0.0316
0
10
0.8539
0.6743
0.5536
0.4697
0.4084
0.3616
0.3248
0.2950
0.2704
0.2320
0.1918
0.1501
0.1283
0.1054
0.0816
0.0567
0.0302
0
16
0.7949
0.6059
0.4884
0.4094
0.3529
0.3105
0.2779
0.2514
0.2297
0.1961
0.1612
0.1248
0.1060
0.0867
0.0668
0.0461
0.0242
0
36
0.7067
0.5153
0.4057
0.3351
0.2858
0.2494
0.2214
0.1992
0.1811
0.1535
0.1251
0.0960
0.0810
0.0658
0.0503
0.0344
00178
0
144
0.6062
0.4230
0.3251
0.2644
0.2229
0.1929
0.1700
0.1521
0.1376
0.1157
0.0934
0.0709
0.0595
0.0480
0.0363
0.0245
0.0125
0
0.5000
0.3333
0.2500
0.2000
0.1667
0.1429
0.1250
0.1111
0.1000
0.0833
0.0667
0.0500
0.0417
0.0333
0.0250
0.0167
0.0083
0
9
0.8010
0.6167
0.5017
0.4241
0.3682
0.3259
0.2926
0.2659
0.2439
0.2098
0.1736
0.1357
0.1160
0.0958
0.0745
0.0520
0.0279
0
10
0.7880
0.6025
0.4884
0.4118
0.3568
0.3154
0.2829
0.2568
0.2353
0.2020
0.1671
0.1303
0.1113
0.0921
0.0713
0.0497
0.0266
0
16
0.7341
0.5466
0.4366
0.3645
0.3135
0.2756
0.2462
0.2226
0.2032
0.1737
0.1429
0.1108
0.0942
0.0771
0.0595
0.0411
0.0218
0
36
0.6602
0.4748
0.3720
0.3066
0.2612
0.2278
0.2022
0.1820
0.1655
0.1403
0.1144
0.0879
0.0743
0.0604
0.0462
0.0316
0.0165
0
144
0.5813
0.4031
0.3093
0.2513
0.2119
0.1833
0.1616
0.1446
0.1308
0.1100
0.0889
0.0675
0.0567
0.0457
0.0347
0.0234
0.0120
0
0.5000
0.3333
0.2500
0.2000
0.1667
0.1429
0.1250
0.1111
0.1000
0.0833
0.0667
0.0500
0.0417
0.0333
0.0250
0.0167
0.0083
0
= 5%
K1
1
0.9985
0.9669
0.9065
0.8412
0.7808
0.7271
0.6798
0.6385
0.6020
0.5410
0.4709
0.3894
0.3434
0.2929
0.2370
0.1737
0.0998
0
2
0.9750
0.8709
0.7679
0.6838
0.6161
0.5612
0.5157
0.4775
0.4450
0.3924
0.3346
0.2705
0.2354
0.1980
0.1576
0.1131
0.0632
0
3
0.9392
0.7977
0.6841
0.5981
0.5321
0.4800
0.4377
0.4027
0.3733
0.3264
0.2758
0.2205
0.1907
0.1593
0.1259
0.0895
0.0495
0
4
0.9057
0.7457
0.6287
0.5441
0.4803
0.4307
0.3910
0.3584
0.3311
0.2880
0.2419
0.1921
0.1656
0.1377
0.1082
0.0765
0.0419
0
5
0.8772
0.7071
0.5895
0.5065
0.4447
0.3974
0.3595
0.3286
0.3029
0.2624
0.2195
0.1735
0.1493
0.1237
0.0968
0.0682
0.0371
0
6
0.8534
0.6771
0.5598
0.4783
0.4184
0.3726
0.3362
0.3067
0.2823
0.2439
0.2034
0.1602
0.1374
0.1137
0.0887
0.0623
0.0337
0
7
0.8332
0.6530
0.5365
0.4564
0.3980
0.3535
0.3185
0.2901
0.2666
0.2299
0.1911
0.1501
0.1286
0.1061
0.0827
0.0583
0.0312
0
8
0.8159
0.6333
0.5175
0.4387
0.3817
0.3384
0.3043
0.2768
0.2541
0.2187
0.1815
0.1422
0.1216
0.1002
0.0780
0.0552
0.0292
0
Em que: I= n de tratamentos e K: n de repeties
165
Tabela 11 Valores crticos (dc) para o teste de Kolmogorov-Smirnov (adaptado de Barbetta et al.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
=5%
0,975
0,842
0,708
0,624
0,563
0,519
0,483
0,454
0,430
0,430
0,409
0,391
0,375
0,361
0,349
0,338
0,327
0,318
0,309
0,301
0,294
0,264
0,242
0,224
0,210
0,198
dc =
1,36
N
=1%
0,995
0,929
0,829
0,734
0,669
0,617
0,576
0,542
0,513
0,490
0,468
0,449
0,432
0,418
0,404
0,392
0,81
0,371
0,361
0,352
0,317
0,290
0,269
0,252
0,238
0,227
dc =
1,36
N
Em que N= n de unidades experimentais (N=I*K; I: n de tratamentos e K:n de repeties)
166
Anexo 2 - Frmula geral para o clculo de soma de quadrados

Suponha que se deseje estimar a variao entre os nveis de uma
determinada Fonte de Variao, digamos T. Para estimar esta variao, calcula-se
o Quadrado Mdio de T (QMT) de acordo com a frmula geral dada por:
SQ
QMT =
gl
Em termos gerais, a frmula de Soma de Quadrados para T (SQT) pode ser
escrita como:
k
X i
2
k
X
SQT = i i=1k
i=1 ri
ri
i=1
em que:
X i = total observado para cada nvel de T. Este total se refere soma de todas as
observaes contidas no i-simo nvel de T;
ri = nmero de observaes que foram somadas para se obter o total X i ;

k = nmero de nveis de T.
Em termos gerais, pode-se dizer que na frmula de SQT, cada valor
elevado ao quadrado deve ser dividido pelo nmero de observaes que originou
aquele valor.
Pode-se tambm visualizar dois termos na frmula de SQT. O termo com
sinal positivo, considera os totais individuais de cada i-simo nvel de T. J o
termo com sinal negativo, considera a soma conjunta dos totais de todos os isimos nveis de T. Neste segundo termo, o numerador se refere soma de todos
os totais ( X i ) includos no primeiro termo e, o denominador, se refere soma de
todas as observaes ( ri ) includas no primeiro termo.
O denominador da frmula de QMT, nmero de graus de liberdade, se
refere diferena entre o nmero de termos que esto sendo somados e
subtrados no clculo da SQT. De acordo com a definio da frmula geral, o
nmero de graus de liberdade associado T igual a k 1, pois no clculo da
k
X2
SQT existem k valores sendo somados, ou seja, i , e existe um valor sendo
i =1 ri
subtrado, ou seja,
Xi
i =1
k
i =1
167
Anexo 2 Frmula Geral para Clculo de Soma de Quadrados

Para o uso da frmula geral, para cada fonte de variao, necessrio
apenas identificar o que representa X i e o que representa ri . Como relatado
anteriormente, X i o total observado para cada i-simo nvel da FV e ri o
nmero de observaes que originou o respectivo total X i . Veja na tabela a
seguir, o que representam X i e ri para algumas possveis fontes de variao de
uma anlise de varincia.
Fonte de
Variao
Total
Tratamentos
Blocos
Linhas
Colunas
Fator A
Fator A / BJ
Parcelas
Xi
ri
cada observao
total
do
i-simo
tratamento
total do i-simo bloco
igual a um
nmero de observaes associado ao
total do i-simo tratamento
total do i-simo bloco
total da i-sima linha
total da i-sima linha
total da i-sima coluna
total da i-sima coluna
total do i-simo nvel de A nmero de observaes associado ao
total do i-simo nvel de A
total do i-simo nvel de A nmero de observaes associado ao
dentro do j-simo nvel de total do i-simo nvel de A dentro do jB
simo nvel de B
total da i-sima parcela
total da i-sima parcela
OBSERVAES:
- Esta frmula geral no se aplica para o clculo das fontes de variao:
resduo, interao entre fatores e regresso;
- Esta ser a nica frmula fornecida em prova para o clculo de soma
de quadrados;
- Cabe ao aluno praticar a aplicao desta frmula nos exerccios existentes.
168
Anexo 3 - Introduo ao uso do programa SAS

1 Instalao do programa SAS em computadores conectados na
rede da UFV
O programa SAS encontra-se disponvel na rede da UFV. Para instalar este
programa em seu computador, siga as seguintes instrues:
1 - ir no "Iniciar/Localizar/Computador" da barra de tarefas que fica na linha
inferior da tela do seu computador;
2 - escrever no campo apropriado "estatisticos" (sem aspas e sem acento) e
clicar com o mouse em "Localizar Agora";
3 - quando aparecer o computador estatisticos clicar duas vezes com o mouse
nele vai aparecer uma nova janela com a pasta "SAS-V8", "clicar" UMA nica vez
nela;
4 - na parte superior da janela, onde aparece a pasta "SAS-V8", escolher
"Arquivo/Mapear Unidade de Rede", vai aparecer uma nova janela onde se tem a
opo de escolher a "Letra da Unidade", escolha a letra "S" (voc pode marcar ou
no a caixinha de "Reconectar ao iniciar", em geral no recomendvel),
finalmente clique em "OK";
5 - na nova janela aparece uma nova pasta "SAS", clique nela duas vezes; ao
aparecer um novo grupo de arquivos clique duas vezes na pasta "V8" e procure
pelo arquivo "SAS.EXE" (o ".EXE" final pode ou no aparecer dependendo de
como seu micro esta configurado, mas trata-se de um cone cinza, uma pirmide
com a ponta para baixo e uma bolinha vermelha orbitando a pirmide);
6 - com o mouse, aperte o boto esquerdo (sem soltar) neste cone e arraste-o
para sua tela de computador (ser criado um atalho para o executvel do SAS);
7 - pode-se agora fechar todas as janelas abertas neste processo;
Basta agora clicar duas vezes no cone do "SAS" criado na sua tela principal
para que o SAS seja executado.
Se o computador que voc est instalando o SAS tiver o Windows 98 como
sistema operacional, possivelmente voc obter uma mensagem de erro na janela
LOG que significa que o Enhanced Editor no foi instalado. Para instalar este
editor, siga os passos fornecidos a seguir:
1 - Feche todos os aplicativos;
2 - ir no "Iniciar/Localizar/Computador" da barra de tarefas que fica na linha
inferior da tela;
3 - escrever no campo apropriado "estatisticos" (sem aspas e sem acento) e
clicar com o mouse em "Localizar Agora";
4 - quando aparecer o computador estatisticos clicar duas vezes com o
mouse nele; vai aparecer uma nova janela com a pasta "SAS-V8", "clicar" DUAS
nica vez nela;
5 - na nova janela aparece uma nova pasta "SAS", clique nela duas vezes;
ao aparecer um novo grupo de arquivos "clique" duas vezes na pasta "BUNDLES";
6 na nova janela aparece uma pasta Eeditor. Clicar duas vezes nela.
7 na nova janela, procure pelo cone Setup. Clicar duas vezes nele. Siga
todos os passos para a instalao do Enhanced Editor.
169

8 aps isto, clicar duas vezes no cone do SAS. O programa agora deve
conter 3 janelas abertas: Log, Output e Editor
OBS: Estas instrues foram adaptadas do README que consta no
computador estatisticos onde o SAS encontra-se instalado.
2 Conceitos Bsicos no SAS

Esta seo tem como objetivo introduzir o usurio ao ambiente SAS.
Inicialmente as janelas existentes no SAS so apresentadas. por meio delas
que o usurio se interage com o SAS.
2.1
Janelas existentes no programa SAS

Existem trs janelas principais no ambiente SAS. So elas: editor de
programas, log e output. Detalhes de cada uma delas so apresentados a seguir.
2.1.1 Janela do Editor de Programas (Editor Program window)

A janela do Editor de Programas usada para editar programas e arquivos
de dados. O usurio tambm pode submeter os seus programas usando esta
janela.
Na verso 8.0 existem dois tipos de editores: Program Editor e Enhanced
Editor. O ltimo tem as mesmas caractersticas do primeiro com a vantagem de
indicar erros de programao por meio de um jogo de cores no cdigo do
programa.
170

2.1.2 Janela de Mensagens (Log window)
Nesta janela so apresentadas mensagens relacionadas a execuo de
programas do usurio submetidos ao SAS. aconselhvel que, antes de
submeter um novo programa, deletar as mensagens existentes. Aconselha-se
tambm que, o usurio verifique as mensagens referentes ao programa que
submeteu. Em geral, mensagens em azul indicam que no existem erros de
programao. Mensagens em verde, indicam que pequenos erros de
programao foram encontrados, mas que o prprio SAS concertou (com c
mesmo, pois pode ser que o concerto dele no seja correto). Mensagens em
vermelho, indicam que o SAS encontrou um erro de programao grave. Tais
erros, podem impedir que uma programa seja executado e consequentemente
nenhuma sada obtida.
2.1.3 Janela de Sada (Output window)
Os resultados da execuo de um programa so apresentados nesta
janela. Vale lembrar que sadas podero ser geradas mesmo quando existirem
erros de programao. Portanto, sempre bom olhar a janela de mensagens,
antes de comear a interpretar os resultados mostrados na janela de sada.
2.2
Elaborao de programas do SAS (SAS jobs)

Um programa no SAS nada mais do que um conjunto de comandos
prprios (palavras chaves) do SAS, que so usados em uma sequncia lgica,
para realizar um conjunto de tarefas. Como mencionado anteriormente, os
programas do SAS so normalmente editados na Janela do Editor de programas.
Um programa no SAS, em geral, consiste de dois passos (steps) distintos:
2.2.1 1o Passo: Data step

No data step, dados so lidos e convertidos em um arquivo de trabalho do
SAS. Neste passo deve ser informado o nome de todas as variveis, bem como o
seu tipo (caracter ou alfanumrica), suas posies no arquivo de dados.
O conjunto de dados, se pequeno, pode ser inserido no programa. Se ao
contrrio, o conjunto de dados for grande, o mesmo deve ser salvo em arquivo
parte e o caminho para o SAS busc-lo deve ser informado no DATA step.
Normalmente, arquivos de dados gerados em outros softwares (excel, word, etc...)
devem ser importados para o programa SAS. Consulte o help do SAS para
verificar como isto deve ser realizado. O exemplo a seguir ilustra um DATA step.
171
Data step
data a1;
input x1 $ x2 x3;
x4 = x2 + x3;
cards;
a 1 14.1
a 1 14.2
b 2 16.3
b 2 17.3
;
run;
Comentrios:
1) a palavra chave DATA informa que o SAS deve criar um novo arquivo
de trabalho, cujo nome o que segue a palavra chave DATA. Este
arquivo de trabalho, geralmente deletado ao sair do SAS. As seguintes
regras devem ser observadas ao dar um nome para um arquivo de
trabalho do SAS:
- o nome deve conter de 1 a 8 caracteres;
- comece com qualquer letra ou _ (sublinhado) ;
- continue com nmeros, letras ou _ ;
2) a palavra chave INPUT informa ao SAS os nomes das variveis
existentes no arquivo de dados. Neste exemplo, o conjunto de dados
possui trs variveis cujos nomes so x1 x2 x3. O sinal $ depois do
nome da primeira varivel, informa ao SAS que a varivel x1
alfanumrica. A ausncia deste sinal aps os nomes das variveis x2 e
x3, indica que elas so apenas numricas. Como no foi informado as
colunas que cada uma delas ocupa no arquivo de dados, supe-se que
as mesmas ocupam as mesmas posies ao longo de todo o conjunto
de dados e que tambm elas estejam separadas por pelo menos um
espao em branco;
3) uma nova varivel, x4, criada. Esta o resultado da soma da varivel
x2 e x3. As regras para nomear variveis so as mesmas dadas
anteriormente para nomear SAS data sets;
4) a palavra chave CARDS informa ao SAS que, linhas a seguir so linhas
que contm os valores das variveis declaradas em INPUT;
5) as linhas a seguir so os valores das variveis;
6) o ponto e vrgula na linha imediatamente aps a ltima linha de dados,
informa ao SAS que o conjunto de dados chegou ao fim;
7) a palavra chave RUN informa ao SAS que aquele passo, no caso DATA
step, acabou e que ele pode executar esta parte da anlise;
8) observe que ao final de cada linha de comandos (exceto as linhas que
contm os dados, existe um ponto e vrgula. Este ponto e vrgula ao final
de cada linha, informa ao SAS que aquele comando terminou. A falta de
um ponto e vrgula em qualquer uma das linhas de comando, pode fazer
com que o SAS no execute aquele passo. Este um erro muito comum
para principiantes do SAS. Se o usurio estiver usando o Enhanced
172

Editor, tais erros podem ser minimizados, pois a falta de um ponto e
vrgula faz com que palavras chaves no apaream em cores distintas;
9) a identao das linhas no requerida, embora ajude ao usurio saber
onde comea e termina cada passo do programa.
Se o conjunto de dados enconta-se em arquivo separado, por exemplo no
disco C, na pasta Meus Dados e arquivo arq1.txt, ento o caminho para o SAS ler
este arquivo deve ser informado usando a palavra chave INFILE, como ilustrado a
seguir:
data step
data a2
Infile C:\Meus Dados\arq1.txt
input x1 $ x2 x3
x4 = x2 + x3
run
Comentrios 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, cujo caminho
informado a seguir;
2) o caminho para o arquivo escrito entre apstrofes;
2.2.2 2o Passo: PROCedure step
Neste passo deve-se informar que tipo tarefa (anlise estatstica, ordenao
de valores, grficos, etc...) deseja-se realizar com um determinado arquivo de
trabalho do SAS. O SAS possui uma variedade muito grande de procedimentos. O
exemplo a seguir ilustra o uso do procedimento PRINT.
proc step
proc print data=a1;

var x1 x2 x3;
run;
O exemplo anterior um exemplo muito simples, pois vrias opes podem

ser acrescentadas ao procedimento PRINT. No entanto, o objetivo agora apenas
fornecer uma idia geral do passo PROC. Outros procedimentos e opes dos
mesmos sero apresentados posteriormente.
Comentrios:
1) um procedimento sempre inicia com a palavra chave PROC seguida do
nome do procedimento que se deseja executar. No exemplo, o
procedimento solicitado o PRINT. Este procedimento pode ser usado
para imprimir na tela contedos de um arquivo de trabalho do SAS.
2) seguindo o nome do procedimento desejado, deve-se informar qual
arquivo de trabalho do SAS deve ser utilizado neste passo. Caso o
usurio no indique o nome do arquivo de trabalho, o SAS utilizar o
arquivo de trabalho que foi mais recentemente criado. Ao final desta
linha deve existir um ponto e vrgula;
173

3) a palavra chave VAR usada para informar ao SAS, quais variveis
devem ter seus valores impressos;
4) a ltima linha do procedimento deve conter a palavra chave RUN,
seguida de ponto e vrgula. A presena desta palavra chave informa ao
SAS que os comandos contidos naquele passo podem ser executados.
Em um nico programa, qualquer um destes dois passos podem se repetir
inmeras vezes. Ou seja, diferentes procedimentos podem ser solicitados para um
mesmo conjunto de dados, e diferentes conjunto de dados podem ser informados
num mesmo programa.
2.3
Erros comuns na elaborao de um programa SAS

Como todo qualquer programa computacional, erros de programas SAS
podem comprometer parcial ou totalmente sua execuo. O SAS um programa
robusto, no sentido que se alguma palavra chave for escrita errada, o programa
por si procede a correo e continua a execuo com a verso corrigida. Neste
caso, correes feitas pelo SAS so mostradas como linhas em verde na janela
LOG. Erros deste tipo produzem sada. Vale lembrar, que cabe ao usurio verificar
se a correo realizada pelo SAS coerente ao desejado pelo usurio, e assim o
mesmo poder decidir se a sada obtida satisfatria ou no.
Por outro lado, existem erros de programao que o SAS no corrige tais
como:
- esquecer um ponto e vrgula no final de uma declarao;
- esquecer uma RUN statement;
- esquecer de fechar aspas.
Tais erros no produzem sadas. O SAS informa que identificou tais erros
na janela LOG por meio de linhas vermelhas.
3 Anlises Estatsticas
3.1
Variveis classificatrias vs analticas

Para realizar anlises estatsticas, o SAS faz distino entre variveis
classificatrias e analticas.
3.1.1 Variveis classificatrias
Em termos estatsticos, variveis classificatrias so aquelas que
poderamos classificar como qualitativas. Por exemplo, a varivel que identifica
tratamentos numa anlise de varincia. So tambm conhecidas, em alguns
casos, como variveis independentes.
Estas variveis podem ser:
- numricas ou alfanumricas;
- representar categorias discretas, se elas forem contnuas;
- identificar classes ou categorias nas quais os clculos so efetuados.
174

3.1.2 Variveis anliticas
Em termos estatsticos, variveis analticas so as variveis que vamos
usar para estudar o efeito de tratamentos, ou em outras palavras, elas so as
variveis respostas, ou valores observados em um experimento. So tambm
conhecidas como variveis dependentes.
Por sua vez, estas variveis so:
- numricas;
- apropriadas para o clculo de mdias, somas, ou outras estatsticas;
- contnuas (na maior parte dos casos).
4 Anlise de dados oriundos de delineamentos experimentais

Delineamentos experimentais so utilizados para obter um maior controle
do efeito do erro experiemental. A escolha de qual delineamento utilizar para
instalar um experimento depende das condies do material experimental, por
exemplo, uniformidade das unidades experimentais. O tipo de delineamento
utilizado, define o modelo estatstico a ser usado para a anlise dos dados. O
programa SAS pressupe que o usurio saiba qual delineamento foi utilizado e
consequentemente o modelo estatstico a ser adotado na anlise.
Basicamente o SAS tem dois procedimentos para a anlise de dados de
experimentos: ANOVA e GLM. O procedimento ANOVA indicado quando os
dados so balanceados e no existem valores perdidos. Por outro lado, o
procedimento GLM indicado quando os dados so desbalanceados.
A seguir so apresentados exemplos de programas para a anlise de dados
oriundos de experimentos instalados em diferentes tipos de delineamentos
experimentais. A parte do programa que altera de delineamento para
delineamento apenas a referente a declarao MODEL, a qual est diretamente
relacionada com o modelo estatstico do delineamento experimental.
4.1
Delineamento Inteiramente Casualizado (DIC)

A estrutura geral do programa abaixo pode ser utilizada para a anlise de
um experimento instalado segundo o DIC, com dados balanceados.
proc anova data=a1;
class trt;
model y = trt;
means trt / duncan alpha=0.05;
run;
quit;
onde:
-
proc ANOVA solicita que o procedimento ANOVA seja utilizado;

data=a1 indica que o arquivo de trabalho do SAS a1 deve ser utilizado
na anlise;
A declarao CLASS informa quais fatores do modelo estatstico so
classificatrias;
175

-
A declarao MODEL informa qual modelo estatstico deve ser adotado

durante a anlise. No caso de um delineamento inteiramente
casualizado, apenas a varivel que identifica tratamentos deve ser
informada, uma vez que o efeito da mdia geral e do erro esto
presentes no modelo de todos os delineamentos;
A declarao MEANS opcional. Com ela possvel comparar mdias
de tratamentos e estabelecer o nvel de significncia do teste de mdias.
Dentre outros testes, pode ser solicitado o teste de Duncan, Tukey e
Bonferroni;
quit informa ao SAS que ele pode abandonar a execuo do
procedimento ANOVA.
Exemplo:
Os dados deste programa so do exerccio 4.1
options nodate nocenter nonumber;
title 'Delineamento Inteiramente Casualizado';
data exerc_4_1;
input varied prod @@;
cards;
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
;
run;
proc anova data=exerc_4_1;
class varied;
model prod = varied;
means varied / tukey alpha=0.05;
means varied / duncan alpha=0.05;
run;
quit;
A sentena options informa opes do formato da sada de um programa

SAS. A opo nodate solicita ao SAS que no imprima a data da execuo, a
opo nocenter solicita que o texto da sada seja alinhado esquerda; e a opo
nonumber solicita que as pginas da sada no sejam numeradas.
A sentena title possibilita personificar as sadas do SAS. Existem 10
nveis de ttulo de sada que podem ser definidos. O nvel identificado pelo
nmero aps title, ou seja title2 se refere ao segundo nvel de ttulo.
4.2
Delineamento em Blocos Casualizados (DBC)

As nicas diferenas para o programa anterior esto nas declaraes CLASS
e MODEL. Ambas devem conter, adicionalmente, REP, pois, o fator repetio
176

uma varivel classificatria e parte do modelo estatstico do DBC. Assim uma
forma geral de programa para este tipo de delineamento seria:
proc anova data=a1;
class rep trt;
model y = rep trt;
means trt / duncan alpha=0.05;
run;
Exemplo
title 'Delineamento em Blocos Casualizados';
data exerc_6_2;
input ta grupo prod @@;
cards;
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
;
run;
proc anova data=exerc_6_2;
class ta grupo;
model prod = ta grupo;
means ta / tukey alpha=0.05;
means ta / duncan alpha=0.05;
run;
quit;
4.3
Delineamento em Quadrado Latino (DQL)

Em relao ao DIC, as declaraes CLASS e MODEL devem ser alteradas
para tambm conter as variveis que identificam a linha e a coluna de cada valor
observado. Uma forma geral para anlise de um experimento instalado segundo o
DQL seria:
proc anova;
class linha coluna trt;
model y = linha coluna trt;
means trt / duncan;
run;
177

Exemplo
title 'Delineamento em Quadrado Latino';
data exerc_7_4;
input leit faixa castracao $ ganho @@;
cards;
1 1 A 93.0 1 2 C 115.4 1 3 E 116.9 1 4 D 110.2 1 5 B 110.4
2 1 C 110.6 2 2 E 96.5 2 3 B 108.9 2 4 A 97.6 2 5 D 112.0
3 1 B 102.1 3 2 D 108.6 3 3 A 77.9 3 4 E 102.0 3 5 C 111.7
4 1 D 115.4 4 2 A 94.9 4 3 C 114.0 4 4 B 100.2 4 5 E 118.5
5 1 E 117.6 5 2 B 114.1 5 3 D 118.7 5 4 C 108.8 5 5 A 80.2
;
run;
proc glm data=exerc_7_4;
class leit faixa castracao;
model ganho = leit faixa castracao;
means castracao / tukey alpha=0.05;
means castracao / duncan alpha=0.05;
run;
quit;
4.4
Experimentos Fatoriais
Em experimentos fatoriais, existem no mnimo dois fatores sendo estudados
simultaneamente num experimento. O interesse, nesta situao, verificar se
significativo o efeito da interao e dos efeitos principais. Experimentos fatoriais
podem ser instalados usando vrios tipo de delineamentos.
Para contemplar anlises de experimentos fatoriais, o programa proposto
para o DIC deve ser modificado nas declaraes CLASS e MODEL. Suponha que
os dois fatores em estudos, ditos A e B, esto sendo estudados e que o
experimento foi instalado segundo o DBC. Uma forma geral para um programa
como este seria
proc glm;
class rep a b;
model y = rep a b a*b;
run;
Veja que o termo da interao foi includo na declarao MODEL, para que
seja realizado o teste F para o efeito da mesma. No caso da interao ser
significativa, seria desejvel proceder ao estudo de um fator dentro de cada nvel
do outro fator. Para atingir tal objetivo, inclua as seguintes linhas aps a
declarao MODEL:
lsmeans a*b / slice=b;
lsmeans a*b / slice=a;
178
Se a interao for no significativa, podemos estudar um fator independente

do outro. Neste caso as seguintes linhas poderiam ser includas no programa
inicial:
lsmeans a / tukey;
lsmeans b / tukey;
Exemplo
O enunciado para este exemplo foi fornecido em sala de aula, o qual foi
retirado do livro BANZATTO e KRONKA (1989).
title 'Experimentos Fatoriais';
data exemplo_8_extra;
input recipiente especie altura @@;
cards;
1 1 26.2 1 1 26.0 1 1 25.0 1 1 25.4
1 2 24.8 1 2 24.6 1 2 26.7 1 2 25.2
2 1 25.7 2 1 26.3 2 1 25.1 2 1 26.4
2 2 19.6 2 2 21.1 2 2 19.0 2 2 18.6
3 1 22.8 3 1 19.4 3 1 18.8 3 1 19.2
3 2 19.8 3 2 21.4 3 2 22.8 3 2 21.3
;
run;
proc glm data=exemplo_8_extra;
class recipiente especie;
model altura = recipiente especie recipiente*especie;
lsmeans recipiente*especie / slice=especie;
lsmeans recipiente*especie / slice=recipiente;
run;
quit;
4.5
Experimentos em Parcelas Subdivididas

Tal como no caso de experimentos fatoriais, experimentos em parcelas
subdivididas so usados quando se deseja estudar dois ou mais fatores
simultaneamente num mesmo experimento. A diferena que em experimentos
em parcelas subdivididas um fator, dito principal, designado segundo um tipo de
delineamento as parcelas que contm vrias unidades experimentais. O segundo
fator, ento designado aleatoriamente s subparcelas de cada parcela.
O objetivo em parcelas subdividas tambm verificar se os efeitos
principais e interao entre fatores so significativos. O programa para esta
situao difere no fato de ser necessrio indicar o resduo correto para testar o
fator principal uma vez que o SAS assume que todos os fatores devem ser
testados contra o erro(b). A seguir est uma forma geral para a anlise de um
experimento em parcelas subdivididas, considerando que o fator A o fator
179

principal e o fator B o secundrio e que o experimento foi instalado segundo o
DBC:
proc glm;
class rep a b;
model y = a rep a*rep b a*b;
test h=a e=a*rep;
run;
quit;
Exemplo
title 'Experimentos em Parcelas Subdivididas';
data exemplo_9_1;
input variedade defensivo bloco producao @@;
cards;
1 1 1 42.9 1 1 2 41.6 1 1 3 28.9 1 1 4 30.8
1 2 1 53.8 1 2 2 58.5 1 2 3 43.9 1 2 4 46.3
1 3 1 49.5 1 3 2 53.8 1 3 3 40.7 1 3 4 39.4
1 4 1 44.4 1 4 2 41.8 1 4 3 28.3 1 4 4 34.7
2 1 1 53.3 2 1 2 69.6 2 1 3 45.4 2 1 4 35.1
2 2 1 57.6 2 2 2 69.6 2 2 3 42.4 2 2 4 51.9
2 3 1 59.8 2 3 2 65.8 2 3 3 41.4 2 3 4 45.4
2 4 1 64.1 2 4 2 57.4 2 4 3 44.1 2 4 4 51.6
3 1 1 62.3 3 1 2 58.5 3 1 3 44.6 3 1 4 50.3
3 2 1 63.4 3 2 2 50.4 3 2 3 45.0 3 2 4 46.7
3 3 1 64.5 3 3 2 46.1 3 3 3 62.6 3 3 4 50.3
3 4 1 63.6 3 4 2 56.1 3 4 3 52.7 3 4 4 51.8
4 1 1 75.4 4 1 2 65.6 4 1 3 54.0 4 1 4 52.7
4 2 1 70.3 4 2 2 67.3 4 2 3 57.6 4 2 4 58.5
4 3 1 68.8 4 3 2 65.3 4 3 3 45.6 4 3 4 51.0
4 4 1 71.6 4 4 2 69.4 4 4 3 56.6 4 4 4 47.4
;
run;
proc glm data=exemplo_9_1;
class variedade defensivo bloco;
model producao = variedade defensivo bloco
variedade*bloco variedade*defensivo;
test h=variedade e=variedade*bloco;
run;
quit;
180
5 Regresso Linear
Regresso geralmente usada quando deseja-se verificar se um fator
quantitativo exerce influncia sob uma varivel dependente. No programa SAS,
existem dois procedimentos distintos para tal finalidade, GLM e REG.
O procedimento REG mais usado quando se ajusta um modelo contendo
apenas fatores quantitativos como variveis independentes. J o procedimento
GLM possibilita o ajuste de modelos de covarincia, ou seja, modelos que incluem
tanto fatores qualitativos como quantitativos como variveis independentes. A
seguir fornecido explicaes mais detalhadas a respeito de cada um deles.
5.1
PROC REG
O procedimento REG usa o mtodo dos quadrados mnimos para estimar os
parmetros num modelo linear. Com este procedimento possvel. A estrutura
geral de um programa usando o procedimento REG :
proc reg data=a1;
var variables;
model y = x1 x2 ... / options;
output out=newset keyword=name1 keyword=name2;
test equation1, equation2;
run;
Comentrios:
-
a declarao REG solicita que o SAS utilize o procedimento REG;

a declarao DATA informa ao SAS qual DATA set deve ser utilizado
neste procedimento;
a declarao VAR especifica todas as variveis que sero utilizadas na
anlise;
a declarao MODEL especifica que y a varivel dependente e x1, x2,
... so as variveis independentes;
a declarao OPTIONS solicita ao SAS que algumas sadas adicionais
sejam impressas. Algumas das possibilidades so:
+ p: imprime valores preditos;
+ r: imprime resduos;
+ xpx: imprime a matriz XX;
+ i: imprime a inversa da matriz XX;
+ covb: imprime a matriz de varincia e covarincia das estimativas
dos parmetros;
a declarao OUTPUT statement cria um SAS DATA set com as
variveis definidas nas declaraes KEYWORD. Para este
procedimento as KEYWORDs podem ser PREDICT, RESIDUAL, etc ...
TEST statement usada para realizar teste de significncia para cada
uma das equaes listadas. Por exemplo, TEST X1=0, X2=0; testa se os
coeficientes de X1 e X2 so simultaneamente iguais a zero.
181

Exemplos
1) Regresso Linear Simples
Os dados deste programa so do exerccio 10.5. O programa a seguir
produz uma regresso linear de y em x. Usando a declarao OUTPUT, possvel
salvar os valores preditos (yhat) e residuais (resid) em outro arquivo de trabalho
(new).
title 'Regresso Linear Simples de 1o grau';
data exerc_10_5;
input x y @@;
cards;
50 1.2 75 1.7 100 2.0 125 2.1 150 2.5
;
run;
proc reg data=exerc_10_5;
model y = x;
output out=new p=yhat r=resid;
run;
quit;
2) Regresso linear polinomial
Para modelos de regresso polinomial, necessrio criar as potncias das
variveis logo depois da declarao INPUT.
Os dados deste programa so do exerccio 10.4. O programa ilustra anlise
de dados segundo um modelo linear de 2o grau.
title 'Regresso Linear Simples de 2o grau';
data exerc_10_4;
input x y @@;
x2 = x*x;
cards;
1.0 20.3 2.5 31.3 4.0 34.6 5.5 35.1 7.0 30.2 8.5 19.7
;
run;
proc reg data=exerc_10_4;
model y = x x2;
output out=new p=yhat r=resid;
run;
quit;
182
6 Sadas do Programa SAS

Para identificar a qual programa pertence cada sada, basta comparar a 1a
linha de cada pgina destas sadas com o que est escrito na declarao title do
programa.
Por exemplo:
Programa:
title 'Delineamento Inteiramente Casualizado';
data exerc_4_1;
...
1a linha da sada do programa:
Delineamento Inteiramente Casualizado
OBSERVAO: O contedo das sadas aqui mostradas apenas um resumo de

uma sada normal do SAS. Aqui so apresentadas apenas os resultados mais
importantes de uma sada de um programa do SAS.
183

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
0.593835
Sum of
Squares
163.7500000
112.0000000
275.7500000
DF
3
16
19
Coeff Var
9.890659
Source
var
DF
3
Mean Square
54.5833333
7.0000000
Root MSE
2.645751
F Value
7.80
Pr > F
0.0020
F Value
7.80
Pr > F
0.0020
y Mean
26.75000
Anova SS
163.7500000
Mean Square
54.5833333
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
31.000
5
B
A
27.000
5
B
26.000
5
B
23.000
5
0.05
16
7
4.04609
4.7874
not significantly different.

var
4
2
3
1
Duncan's Multiple Range Test for y

Alpha
Error Mean Square
Number of Means
Critical Range
0.05
16
7
2
3.547
3
3.720
4
3.828
Means with the same letter are not significantly different.

Duncan
Grouping
A
B
C
B
C
Mean
31.000
27.000
26.000
23.000
N
5
5
5
5
var
4
2
3
1
184

Delineamento em Blocos Casualizados
The ANOVA Procedure
Class
Levels
Values
ta
4
1 2 3 4
grupo
7
1 2 3 4 5 6 7
Number of observations
Source
Model
Error
Corrected Total
R-Square
0.967615
28
Sum of
Squares
2142.714286
71.714286
2214.428571
DF
9
18
27
Coeff Var
6.114746
Source
ta
grupo
DF
3
6
Mean Square
238.079365
3.984127
Root MSE
1.996028
Anova SS
2125.285714
17.428571
F Value
59.76
Pr > F
<.0001
F Value
177.81
0.73
Pr > F
<.0001
0.6323
y Mean
32.64286
Mean Square
708.428571
2.904762
Tukey's Studentized Range (HSD) Test for y

Alpha
0.05
18
Error Mean Square
3.984127
Critical Value of Studentized Range 3.99698
3.0154
Tukey
Grouping
Mean
N
ta
A
46.000
7
3
B
31.571
7
1
B
31.429
7
2
C
21.571
7
4
Duncan's Multiple Range Test for y
Alpha
0.05
18
Error Mean Square
3.984127
Number of Means
Critical Range
2
2.242
3
2.352
4
2.421

Duncan
Grouping
A
B
B
C
Mean
46.000
31.571
31.429
21.571
N
7
7
7
7
ta
3
1
2
4
185

Delineamento em Quadrado Latino
The GLM Procedure
Class
Levels
leit
5
faixa
5
castracao
5
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
0.775852
Sum of
Squares
2326.379200
672.103200
2998.482400
DF
12
12
24
Coeff Var
7.043793
Source
leit
faixa
castracao
DF
4
4
4
Mean Square
193.864933
56.008600
Root MSE
7.483889
F Value
3.46
Pr > F
0.0204
ganho Mean
106.2480
Type I SS
257.826400
48.498400
2020.054400
Mean Square
64.456600
12.124600
505.013600
F Value
1.15
0.22
9.02
Pr > F
0.3796
0.9242
0.0013
Tukey's Studentized Range (HSD) Test for ganho

Alpha
Error Mean Square
Critical Value of Studentized Range
Tukey
Grouping
Mean
A
112.980
A
112.100
A
110.300
A
107.140
B
88.720
N
5
5
5
5
5
0.05
12
56.0086
4.50760
15.086
castracao
D
C
E
B
A
Duncan's Multiple Range Test for ganho

Alpha
0.05
12
Error Mean Square
56.0086
Number of Means
2
3
Critical Range
10.31
10.79
Duncan
Grouping
Mean
A
112.980
A
112.100
A
110.300
A
107.140
B
88.720
N
5
5
5
5
5
4
11.09
5
11.28
castracao
D
C
E
B
A
186

The GLM Procedure
Class
Levels
recipiente
3
especie
2
Values
1 2 3
1 2
24
Dependent Variable: altura

Source
Model
Error
Corrected Total
R-Square
0.883849
DF
5
18
23
Coeff Var
4.931485
Source
DF
recipiente
2
especie
1
recipiente*especie 2
Sum of
Squares
175.7033333
23.0900000
198.7933333
Root MSE
1.132598
Type I SS
92.86083333
19.08166667
63.76083333
Mean Square
35.1406667
1.2827778
F Value
27.39
Pr > F
<.0001
F Value
36.20
14.88
24.85
Pr > F
<.0001
0.0012
<.0001
altura Mean
22.96667
Mean Square
46.43041667
19.08166667
31.88041667
recipiente*especie Effect Sliced by especie for altura

Sum of
especie
DF
Squares
Mean Square
F Value
1
2
87.121667
43.560833
33.96
2
2
69.500000
34.750000
27.09
Pr > F
<.0001
<.0001
recipiente*especie Effect Sliced by recipiente for altura
recipiente
1
2
3
DF
Sum of
Squares
Mean Square
F Value
Pr > F
1
1
1
0.211250
79.380000
3.251250
0.211250
79.380000
3.251250
0.16
61.88
2.53
0.6897
<.0001
0.1288
187

Experimentos em Parcelas Subdivididas
The GLM Procedure
Class
Levels
variedade
4
defensivo
4
bloco
4
Values
1 2 3 4
1 2 3 4
1 2 3 4
64
Dependent Variable: producao

Source
Model
Error
Corrected Total
R-Square
0.906225
DF
27
36
63
Coeff Var
8.534077
Source
DF
Variedade
3
defensivo
3
bloco
3
variedade*bloco
9
variedade*defensiv 9
Sum of
Squares
7066.191875
731.202500
7797.394375
Root MSE
4.506793
Type I SS
2848.021875
170.536875
2842.873125
618.294375
586.465625
Mean Square
261.710810
20.311181
F Value
12.89
Pr > F
<.0001
F Value
46.74
2.80
46.66
3.38
3.21
Pr > F
<.0001
0.0539
<.0001
0.0042
0.0059
producao Mean
52.80938
Mean Square
949.340625
56.845625
947.624375
68.699375
65.162847
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
2848.021875
949.340625
13.82
0.0010
188

Regresso Linear Simples de 1o grau
The REG Procedure
Source
Model
Error
Corrected Total
DF
1
3
4
Root MSE
Dependent Mean
Coeff Var
Variable
Intercept
x
DF
1
1
Analysis of Variance
Sum of
Mean
Squares
Square
0.90000
0.90000
0.04000
0.01333
0.94000
0.11547
1.90000
6.07737
R-Square
Adj R-Sq
Parameter Estimates
Parameter
Standard
Estimate
Error
0.70000
0.15492
0.01200
0.00146
F Value
67.50
Pr > F
0.0038
0.9574
0.9433
t Value
4.52
8.22
Pr > |t|
0.0203
0.0038
Regresso Linear Simples de 2o grau

The REG Procedure
Source
Model
Error
Corrected Total
DF
2
3
5
Analysis of Variance
Sum of
Mean
Squares
Square
234.81498
117.40749
1.35836
0.45279
236.17333
Root MSE
Dependent Mean
Coeff Var
0.67289
28.53333
2.35827
Variable
Intercept
x
x2
Parameter Estimates
Parameter
Standard
Estimate
Error
11.24222
0.97376
10.46770
0.47719
-1.11349
0.04895
DF
1
1
1
R-Square
Adj R-Sq
F Value
259.30
Pr > F
0.0004
0.9942
0.9904
t Value
11.55
21.94
-22.75
Pr > |t|
0.0014
0.0002
0.0002
189
Anexo 4 p-valor
O p-valor representa a probabilidade estimada no experimento, de
rejeitar Ho quando Ho verdadeira, de acordo com o nmero de graus de
liberdade (gl) e do teste de hipteses utilizado. Portanto, quanto menor for o pvalor, mais forte ser a evidncia de que Ho dever ser rejeitada. Em termos
prticos, tem-se a seguinte regra de deciso em relao ao nvel de
significncia de referncia:
Se p-valor rejeitar Ho;
Se p-valor > no rejeitar Ho.

No Excel (inserir funo estatstica), os p-valores e os valores tabelados
do teste t so obtidos, como seguem:
DISTT (|tcal|; gl; 2) = p-valor Ha bilateral;
DISTT (|tcal|; gl; 1) = p-valor Ha unilateral;
INVT (; gl) = ttab Ha bilateral;
INVT (2; gl) = ttab Ha unilateral.

No Excel (inserir funo estatstica), os p-valores e os valores tabelados
do teste F so obtidos, como seguem:
DISTF (Fcal; gl numerador; gl denominador) = p-valor Ha unilateral;
INVF (; gl numerador; gl denominador) = Ftab Ha unilateral.
190
Anexo 5 Exemplo Extra ANOVA
Repeties
1
2
3
Totais
Mdias
Repeties
1
2
3
Totais
Mdias
1
100
100
100
300
100
1
90
100
110
300
100
Tratamentos
2
3
4
100 100 100
100 100 100
100 100 100
300 300 300
100 100 100
Tratamentos
2
3
4
80 70 60
100 100 100
120 130 140
300 300 300
100 100 100
Tratamentos
Repeties 1
2
3
4
1
98 99 100 101
2
98 99 100 101
3
98 99 100 101
Totais
294 297 300 303
Mdias
98 99 100 101
Tratamentos
Repeties 1
2
3
4
1
98 99 100 101
2
99 100 101 102
3
100 101 102 103
Totais
297 300 303 306
Mdias
100 100 100 100
ANOVA
5 ...................
FV
GL SQ QM F
100
Tratamentos
4 0
0
100
Resduo
10 0
0
100
Total
14 0
300
100
ANOVA
5 ...................
FV
GL
SQ
QM F
50
Tratamentos
4
0
0 0
100
Resduo
10 11000 1100
150
Total
14 11000
300
100
ANOVA
5 ...................
FV
GL SQ QM F
102
Tratamentos
4 30 7,5 Inf
102
Resduo
10 0
0
102
Total
14 30
306
102
ANOVA
5 ...................
FV
GL SQ QM
F
102
Tratamentos
4 30 7,5 7,50
103
Resduo
10 10 1,0
104
Total
14 40
309
100
191
Anexo 6 Pressuposies ANOVA
Pressuposies da Anlise de Varincia

Na anlise de varincia, os valores observados Yik de uma varivel
resposta so descritos em termos de um modelo estatstico. Uma das
pressuposies para a realizao da anlise de varincia que o modelo
estatstico seja composto pela soma de efeitos, os quais podem ser fixos ou
aleatrios. Em geral, o efeito do fator em estudo considerado fixo. Enquanto
que o efeito do erro experimental considerado aleatrio.
Por exemplo, para os valores observados em um experimento instalado
segundo o delineamento inteiramente casualizado (DIC) com I tratamentos e K
repeties, o modelo estatstico
Yik = m + ti + eik
em que,
Yik: o valor observado para a varivel resposta obtido para o i-simo
tratamento em sua k-sima repetio;
m: a mdia fixa de todos os valores possveis da varivel resposta;
ti: o efeito fixo do tratamento i no valor observadoYik;
t i = mi m
eik: o efeito aleatrio do erro ou resduo experimental associado ao

valor observado Yik, definido por
eik = Yik - mi
As pressuposies para a validade dos resultados da anlise de
varincia so que os erros experimentais
1. Sigam uma distribuio normal;
2. Tenham varincia comum e
3. Sejam independentes
A estimativa do erro experimental, no DIC, obtida pela diferena entre
o valor observado e o respectivo valor predito Yik , ou seja,
ik = Yik - Yik .
O valor predito obtido por

192

+ t i
Yik = m
A estimativa do efeito do tratamento i, t i , por sua vez obtida por
t i = m
i m
Portanto temos que

i
Yik = m
Ento a estimativa do resduo experimental, ik, de acordo como o
modelo estatstico apresentado anteriormente obtida por
i.
ik = Yik - m
Portanto, antes de interpretar os resultados da anlise de varincia

recomenda-se verificar, por meios dos procedimentos descritos a seguir, se as
estimativas dos resduos satisfazem as pressuposies da anlise de varincia.
1 Pressuposio) Normalidade da distribuio dos erros

experimentais
Para verificar se os resduos associados ao modelo estatstico utilizado
aderem a uma distribuio normal, pode-se realizar o teste de hipteses de
Lilliefors. As hipteses para este teste so:
H0: os resduos experimentais seguem uma distribuio normal
Ha: os resduos experimentais no seguem uma distribuio normal.
Este teste se baseia na comparao da freqncia acumulada emprica
com a freqncia acumulada terica, as quais so obtidas para cada valor do
resduo experimental.
Aps a ordenao crescente dos valores residuais, a freqncia
acumulada emprica, S(e ik ) obtida por
S(e ik ) =
n de valores < e ik
n
Por outro lado, para obter o valor da freqncia acumulada terica,

F(e ik ) , para cada valor e ik , necessrio especificar a que distribuio normal
os resduos experimentais tendem a se aderir.

Uma distribuio normal especificada pelos parmetros mdia e
varincia. Na realizao deste teste, assume-se que os parmetros da suposta
193

distribuio normal dos resduos so iguais aos valores da mdia e varincia
dos resduos experimentais.
A partir da especificao dos parmetros da distribuio normal
possvel calcular a freqncia acumulada terica. A distribuio acumulada
definida como F(e ik ) = P(E ik e ik ) .
Supondo que a distribuio dos resduos experimentais tenha sido
definida como ik N(m; 2), ento o valor de F(e ik ) obtido por
F(e ik ) =
e ik
f (e
ik
)d(e ik ) =
eik
1 (e ik m )
2
2
1
2
d(e ik )
Uma representao genrica para os grficos de uma distribuio

normal e respectiva distribuio acumulada terica so apresentados na Figura
1 - (a) e (b), respectivamente.
Figura 1 Distribuio normal (a) e respectiva distribuio acumulada (b)
Espera-se que para cada valor ik os valores obtidos para S(e ik ) e

F(e ik ) sejam
bem
similares,
caso
os
resduos
experimentais
sigam
a distribuio normal especificada. por esta razo que o teste de Lilliefors se

baseia na comparao destes dois valores de distribuio acumulada.
Aps a ordenao em ordem crescente (j = 1, 2, ... , n) dos resduos
experimentais so obtidos, para cada ik, os mdulos das diferenas entre
F(e ik ) j S(e ik ) j e entre F(e ik ) j S(e ik )( j1) . O teste de Lilliefors se baseia na
maior diferena absoluta encontrada. Esta diferena definida como sendo a
estatstica d obtida por
194
d = m a x F(e ik ) j S(e ik ) j , F(e ik ) j S(e ik )( j1)

j
O valor da estatstica d ento comparado com o valor tabelado dtab de

acordo com o nvel de significncia e do nmero de resduos experimentais
na Figura 2 apresenta as situaes com um bom ajustamento a uma
distribuio normal e outra com um mal ajustamento. Nesta Figura 2, a curva
representa a distribuio acumulada terica, e a escada representa a
distribuio acumulada emprica.
Figura 2 Ilustraes de um bom ajuste a um mal ajuste de uma distribuio normal
Suponha os dados do Exemplo 4.1

Para comparar a produtividade de quatro variedades de milho, um
agrnomo tomou vinte parcelas similares e distribuiu, inteiramente ao acaso,
cada uma das 4 variedades em 5 parcelas experimentais.
Totais
Mdias
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 estatstico
Yik = m + ti + eik
Portanto, segundo o exposto anteriormente, so apresentados na Tabela
1 os valores observados e respectivos valores preditos residuais.
195

Tabela 1 Valores observados (Yik) e respectivos valores preditos ( Yik ) e
resduais (ik)
Variedade
Repetio
1
1
1
1
1
2
2
2
2
2
3
3
3
3
3
4
4
4
4
4
Mdia
Varincia
Desvio-padro
N
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
-
Yik
Yik
e ik
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 distribuies de freqncia dos

valores residuais apresentadas na Tabela 2 Estas distribuies de freqncias
sero denominadas daqui para frente de distribuies de freqncia empricas.
196

Tabela 2 Distribuies de freqncias empricas dos resduos ( e ik ) e
respectivas freqncias acumuladas tericas nas quais os resduos aparecem
em ordem (j) crescente
Freqncia
Terica
Acumulada
F( eik )
Freqncias Empricas
| F( eik )j - S( eik )(j-1)|
| F( eik )j - S( eik )(j)|
0.0497
0.0497
0.0003
0.20
0.1083
0.0583
0.0917
0.35
0.2050
0.0050
0.1450
0.05
0.40
0.3402
0.0098
0.0598
0.20
0.60
0.5000
0.1000
0.1000
0.05
0.65
0.6598
0.0598
0.0098
0.15
0.80
0.7950
0.1450
0.0050
0.15
0.95
0.8917
0.0917
0.0583
0.05
1.00
0.9503
0.0003
0.0497
eik
Simples
Relativa
Acumulada
S( eik )
-4
0.05
0.05
-3
0.15
-2
0.15
-1
8
9
Na Tabela 2 tambm apresentada a distribuio acumulada de

freqncia terica para os valores residuais e ik . A freqncia terica
acumulada foi obtido supondo que os resduos seguem uma distribuio
normal com mdia igual a zero e varincia igual a 5,89, ou seja, e ik N(0;5,89).
Para encontrar o valor da freqncia terica acumulada, por exemplo, para os
valores dos resduos igual a 4 e 3, foram utilizados
4
e ik = -4 f (e)d(e) =
e ik = -3 f (e)d(e) =
1 (e 0 )
2 5,89
1 (e 0 )
2 5,89
1
5,89
d(e) = 0,0497
e
d(e) = 0,1083
5,89
Para obter estes valores sem calcular estas integrais basta converter tais
valores usando a distribuio normal padro ou seja,
40
e ik = -4 z =
= 1,65 P(Z < -1,65) = 0,0495
5,89
e ik = -3 z =
30
5,89
= 1,23 P(Z < -1,23) = 0,1093
Como pode ser notado os valores no so exatamente iguais aos

apresentados na Tabela 2 Isto ocorre devido as aproximaes realizadas
durante o clculo. Para gerar os valores apresentados na Tabela 2, foi utilizada
a funo INV.NORMP do software Excel. Para os resduos -4 e -3 foram
utilizadas INV.NORMP(-4;0;2,43) e INV.NORMP(-3;0;2,43), respectivamente.
197

Ao observarmos a Tabela 2 podemos verificar que a estatstica d
d = m a x F(e ik ) j S(e ik ) j , F(e ik ) j S(e ik )( j1)

j
para os dados do Exemplo 4.1 igual a 0,1450. O respectivo valor

tabelado, obtido na Tabela 3, para =5% e n=20 dtab =0,220.
As hipteses para este teste so:
H0: os resduos experimentais seguem uma distribuio normal
Ha: os resduos experimentais no seguem uma distribuio normal
Como 0,1450 < 0,220 no devemos rejeitar H0. Portanto, conclui-se que
os resduos experimentais segundo o modelo estatstico adotado no diferem
de uma distribuio normal. As distribuies, emprica e terica, so
apresentadas na Figura 3.
Figura 3 Distribuies emprica e terica obtida para o Exemplo 4.1
Freqncia Acumulada
Emprica
Terica
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
-5
-4
-3
-2
-1
Resduos
198

Tabela 3 Valores crticos (dc) para o teste de Lilliefors (adaptado de Barbetta et
al.2004)
n
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
25
30
n>30
=5%
0,381
0,337
0,319
0,300
0,285
0,271
0,258
0,249
0,242
0,234
0,227
0,220
0,213
0,206
0,200
0,179
0,190
0,173
0,161
0,886
dc =
n
=1%
0,734
0,405
0,364
0,348
0,331
0,311
0,294
0,284
0,275
0,268
0,261
0,257
0,250
0,245
0,239
0,235
0,231
0,200
0,187
1,031
dc =
n
Uma avaliao visual da distribuio normal tambm pode ser realizada

por meio do grfico da probabilidade normal. Neste grfico so plotados os
valores da varivel normal correspondente as distribuies acumulada emprica
e
acumulada
terica.
Os
valores
da
distribuio
terica
ajustam-se
perfeitamente a uma reta. Caso os resduos apresentarem distribuio normal,

os valores da distribuio emprica tenderam a se concentrar em torno da reta.
Para os dados do Exemplo 4.1, os valores da varivel z, correspondentes aos
valores das distribuies emprica e terica, so apresentados na Tabela 4 e o
grfico da probabilidade normal apresentado na Figura 4.
Tabela 4 Valores do resduo, respectivas freqncias acumuladas terica e emprica
e valores da distribuio normal (Z)
Resduo
-4
-3
-2
-1
0
1
2
3
4
Freqncia Acumulada
Emprica
Terica
0.05
0.0497
0.20
0.1083
0.35
0.2050
0.40
0.3402
0.60
0.5000
0.65
0.6598
0.80
0.7950
0.95
0.8917
1.00
0.9503
Z
Emprico
-1.64485
-0.84162
-0.38532
-0.25335
0.253347
0.38532
0.841621
1.644854
1.644854
Terico
-1.64751
-1.23563
-0.82375
-0.41188
-1.4E-16
0.411877
0.823754
1.235632
1.647509
199

Figura 4 Grfico de probabilidade normal para os dados do Exemplo 4.1
Z Terico
Z Emprico
2
1.5
1
Z
0.5
0
-0.5
-1
-1.5
-2
-6
-4
-2
Resduos
2 Pressuposio) Homogeneidade das varincias residuais

Para uma varivel resposta Y, considere I tratamentos, cada um com K
repeties, para os quais se deseja avaliar se a varincia residual idntica
para todos os tratamentos. As hipteses a serem testadas so
2
2
2
= E2
= ... = EI
= E2
H0: E1
Ha: pelo menos um tratamento apresenta varincia residual

diferente dos demais.
Em termos prticos estamos querendo verificar se o efeito do erro
experimental afetou igualmente todos os tratamentos. Caso isto ocorra, as
varincias dentro de tratamentos tenderam a apresentar valores bem similares,
sendo, portanto, vivel a obteno de um estimador comum para a varincia
dentro de tratamentos.
Na anlise de varincia, o clculo do quadrado mdio do resduo o
estimador comum da varincia dentro de tratamentos. Portanto, antes de
interpretar os resultados da anlise de varincia faz-se necessrio realizar um
teste de hipteses para a homogeneidade da varincia dentro de tratamentos.
Um dos testes que podem ser utilizados o teste de Cochran. Este teste
s pode ser aplicado quando o nmero de graus de liberdade for o mesmo para
todas as varincias, ou seja, quando o nmero de repeties por tratamento for
o mesmo.
A estatstica do teste de Cochran definida como
200
C cal =
maior s Ei2
I
s
i=1
2
Ei
Se Ccal Ctab (, I, K1), rejeita-se H0. Caso contrrio, se Ccal < Ctab, no
se rejeita H0 e conclui-se que existe homogeneidade de varincias residuais
entre os tratamentos.
Para os dados do Exemplo 4.1 as varincias dentro de tratamento so
apresentadas na Tabela 5.
Tabela 5 Valores originais e ajustados de Y e estimativas dos efeitos do erro experimental
Trat
Rep
Yik
1
1
1
1
1
2
2
2
2
2
3
3
3
3
3
4
4
4
4
4
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
25
26
20
23
21
31
25
28
27
24
22
26
28
25
29
33
29
31
34
28
Yik
23
23
23
23
23
27
27
27
27
27
26
26
26
26
26
31
31
31
31
31
2
sEi
ik
2
3
-3
0
-2
4
-2
1
0
-3
-4
0
2
-1
3
2
-2
0
3
-3
2
sE1
= 6,5
2
sE2
= 7,5
2
s E3
= 7,5
2
s E4
= 6,5
As hipteses testadas na pressuposio de homogeneidade de

varincias so iguais a:
2
2
2
2
= E2
= E3
= E4
= E2 ;
H0: E1
Ha: pelo menos uma Ei2 (i = 1, 2, 3 e 4) difere das demais.

O valor da estatstica de Cochran, para os dados deste exemplo,
obtido por
C cal =
7,5
= 0,2679 e Ctab (5%, 4, 4) = 0,6287;
6,5 + 7,5 + 7,5 + 6,5
Como Ccal < Ctab no rejeita-se H0. Portanto, considera-se satisfeita a

pressuposio de homogeneidade de varincias.
201

A anlise grfica da homogeneidade de varincias pode ser feita por
meio da disperso dos valores observados para cada nvel do fator em estudo.
Para o exemplo em estudo este grfico de disperso apresentado na Figura
5. Pode ser observado que a variabilidade da produo dentro de cada
variedade, tende a ser a mesma em todas as variedades.
Figura 5 Disperso das produes observadas em cada variedade
40
35
Produo
30
25
20
15
10
5
0
0
Variedade
Um exemplo em que visualmente poderamos ter um indicativo de que a

varincia no a mesma para todos os tratamentos apresentado na Figura 6.
Figura 6 - Exemplo de grfico de disperso quando as varincia dentro de tratamento
no homognea
8
6
Resduo
4
2
0
-2
-4
-6
-8
0
Variedade
202
3 Pressuposio) Independncia dos erros

A independncia dos erros da anlise de varincia significa que os erros
no so correlacionados. Uma das situaes que podem fazer com que este
resultado no acontea aquela em que o valor do erro tende diminuir na
seqncia cronolgica em que os valores so observados.
Isto pode ocorrer quando, por exemplo, um laboratorista est
aprendendo a usar um equipamento. No incio, o erro associado a leitura
grande. medida que so feitas novas leituras o erro tende a ser menor.
Portanto, para fazer a avaliao da independncia dos erros
necessrio ter informaes adicionais, por exemplo ordem de coleta das
observaes.
A ordem de coleta das observaes dos dados do Exemplo 4.1
apresentada na Tabela 6 e o grfico de disperso dos resduos versus a ordem
de coleta apresentada na Figura 7. Pode-se observar na Figura 7 que no
existe nenhuma tendncia nos resduos em relao a ordem de coleta.
Tabela 6 Valores observados com os respectivos valores preditos, residuais e ordem
de coleta
Ordem de
Variedade Repetio 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
e ik
-2
-3
3
0
2
-4
2
-1
0
3
4
0
-2
1
-3
-2
2
0
-3
3
203

Figura 7 Grfico de disperso dos resduos versus a ordem de coleta das
Resduo
observaes
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 grfico de disperso em que os erros no so

independentes. Nesta Figura 8 pode-se observar que nas primeiras coletas, os
valores residuais tendem a ser maiores do que nas ltimas coletas. Uma
possvel explicao para isto o aprendizado na realizao do experimento.
Figura 8 Disperso dos resduos em funo da ordem de coleta
204

Captulo 4 Delineamento Inteiramente Casualizado
Exerccios extras
1) Considere que para o Exerccio 4.7 fornecida a ordem de coleta dos

valores de ganho de peso, conforme tabela abaixo
Rao Repetio Ganho de Peso Ordem
A
1
7.1
2
A
2
8.9
1
A
3
6.0
4
A
4
7.0
3
B
1
6.2
7
B
2
8.8
5
B
3
4.9
6
B
4
6.1
8
C
1
6.0
12
C
2
5.0
11
C
3
9.1
10
C
4
3.9
9
D
1
11.1
16
D
2
10.8
13
D
3
10.2
15
D
4
11.9
14
E
1
7.0
19
E
2
11.3
20
E
3
10.0
17
E
4
11.7
18
Com base nestas informaes, pede-se
a) aplicar o teste de Liliefors;

b) aplicar o teste de Cochran;
c) avaliar a independncia dos erros;
d) traar o grfico de probabilidade normal;
e) traar o grfico para avaliar a homogeneidade de varincias.
205

2) Considere que para um experimento em que foram avaliados 5
tratamentos com 4 repeties no DIC sejam fornecidas as seguintes
informaes
Tratamento Repetio Yik Ordem

1
1
12.1
20
1
2
2.0
2
1
3
3.0
4
1
4
1.0
1
2
1
11.2
9
2
2
11.3
10
2
3
11.5
15
2
4
11.4
12
3
1
8.1
8
3
2
8.3
11
3
3
8.4
14
3
4
8.5
16
4
1
16.1
19
4
2
10.8
5
4
3
10.2
3
4
4
11.9
7
5
1
12.0
18
5
2
11.3
12
5
3
10.0
6
5
4
11.7
17
Com base nestas informaes, pede-se
a) aplicar o teste de Liliefors;

b) aplicar o teste de Cochran;
c) avaliar a independncia dos erros;
d) traar o grfico de probabilidade normal;
e) traar o grfico para avaliar a homogeneidade de varincias.
206

Respostas (parciais)
1)
a) d = 0.17337
b) C = 0.33
c)
4.0
3.0
Resduo
2.0
1.0
0.0
-1.0
-2.0
-3.0
-4.0
0
10
11
12
13
14
15
16
17
18
19
20
Ordem
d)
Z Terico
Z Emprico
3
2
1
0
0.00
Z
-4.00
-3.00
-2.00
-1.00
1.00
2.00
3.00
4.00
-1
-2
-3
Resduos
e)
14
Ganho de Peso
12
10
8
6
4
2
0
0
Rao
207

2)
a) d = 0.27322
b) C = 0,97
c)
10.0
8.0
Resduo
6.0
4.0
2.0
0.0
-2.0
-4.0
-6.0 0
10
11
12
13
14
15
16
17
18
19
20
Ordem
d)
Z Terico
Z Emprico
4
3
2
1
-6.00
-4.00
-2.00
0
0.00
2.00
4.00
6.00
8.00
10.00
-1
-2
Resduos
e)
18
16
Ganho de Peso
14
12
10
8
6
4
2
0
0
Rao
208

Observao: o exerccio abaixo no se refere as pressuposies da ANOVA,
mas sim a uma transparncia apresentada pelos professores em sala de aula.
Exerccio: Considere 4 resultados possveis (R1, R2, R3 e R4) para a
realizao de um experimento no DIC em que foram avaliados os efeitos de 5
tratamentos em 3 repeties. Para cada uma destas situaes, pede-se:
a) Proceda a ANOVA para R1, R2, R3 e R4;

b) Para um ou mais dos resultados (R1, R2, R3 e R4) a SQ para uma ou
mais FV apresentou valor zero. Explique a razo de ter sido obtido tais
valores iguais a zero.
R1
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
Repeties
1
2
3
Totais
Mdias
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
5
50
100
150
300
100
Repeties
1
2
3
Totais
Mdias
1
98
98
98
294
98
2
99
99
99
297
99
Tratamentos
3
4
100
101
100
101
100
101
300
303
100
101
5
102
102
102
306
102
Repeties
1
2
3
Totais
Mdias
1
98
99
100
297
99
2
99
100
101
300
100
Tratamentos
3
4
100
101
101
102
102
103
303
306
101
102
5
102
103
104
309
103
Repeties
1
2
3
Totais
Mdias
R2
R3
R4
209

Apostila de Estatística Experimental

Uploaded by

Document Information

Original Description:

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Apostila de Estatística Experimental

Uploaded by

Copyright:

Available Formats

EST 220 Estatstica Experimental

1o perodo letivo de 2010

Professores da disciplina em I/2010

OBSERVAO: O contedo desta apostila o mesmo que

UNIVERSIDADE FEDERAL DE VIOSA

6. Horrios das Turmas de EST 220

1012 T5J. IvoPVB101

EST220 Planejamento de Aulas 1 Perodo Letivo de 2010

Captulo 3 Introduao Experimentao

Captulo 4 - Delineamento Inteiramente Casualizado

Captulo 5 Procedimentos para Comparaes Mltiplas

Captulo 6 - Delineamento em Blocos Casualizados

Captulo 7 - Delineamento em Quadrado Latino

Captulo 8 - Experimentos Fatoriais

Captulo 9 - Experimentos em Parcelas Subdivididas

Captulo 11 Respostas dos Exerccios

Anexo 1 - Formulrio e Tabelas

Anexo 2 Frmula Geral para o Clculo de Soma de Quadrados 167

Anexo 5 Exemplo Extra ANOVA

EST 220 Estatstica Experimental I/2008

1.2. Conceitos fundamentais em testes de hipteses

As medidas de disperso indicam quanto os valores de uma populao esto

Cap 1 Testes de Hipteses

Observe que algumas vezes a simbologia usada para representar os parmetros e

1.2.3 Hipteses em um teste estatstico

EST 220 Estatstica Experimental I/2008

1.2.4 Deciso em um teste de hipteses

Cap 1 Testes de Hipteses

A funo densidade de probabilidade de uma varivel aleatria contnua que tem

Para verificar se a informao do rgo oficial correta, o pesquisador tem duas

EST 220 Estatstica Experimental I/2008

Cap 1 Testes de Hipteses

A funo densidade de probabilidade da mdia amostral de uma varivel aleatria

EST 220 Estatstica Experimental I/2008

Deve-se observar que ao adotar o critrio acima, o pesquisador sempre estar

Cap 1 Testes de Hipteses

EST 220 Estatstica Experimental I/2008

Ns acabamos de ver a maneira emprica de realizar um teste de hiptese, a qual

Cap 1 Testes de Hipteses

1.3. Alguns testes de hipteses

1.3.1.1 Teste de hipteses para uma mdia populacional

EST 220 Estatstica Experimental I/2008

Para decidirmos entre Rejeitar ou No-Rejeitar HO, comparamos o valor de t com o

t < t tab ento No-Rejeita-se HO.

Qual a concluso ao nvel de 1% de significncia?

Deseja-se saber se a mdia da populao pode ser considerada como superior a

1.3.1.2 Teste de hipteses para duas mdias populacionais

Cap 1 Testes de Hipteses

(n1 1)s12 + (n 2 1)s 22

em que s e s so as varincias amostrais das populaes 1 e 2, respectivamente. A

Esta estatstica tem distribuio t de Student com (n1 + n 2 2) graus de liberdade.

1.3.1.2.2 Teste de hipteses para o caso de duas amostras dependentes

EST 220 Estatstica Experimental I/2008

Para decidir entre Rejeitar ou No-Rejeitar a hiptese de nulidade, deve-se calcular

Cap 1 Testes de Hipteses

se t < t tab ento No-Rejeita-se HO.

possvel concluir ao nvel de 5% de significncia que o mtodo de secagem

1.3.2 Teste F para Comparao de Varincias de Duas Populaes

EST 220 Estatstica Experimental I/2008

A concluso do teste feita mediante a comparao do valor de F com o valor de

Ao nvel de 5% de significncia, podemos concluir que a semana 2 apresentou

Cap 1 Testes de Hipteses

1.4. Exerccios Suplementares