PreExp Completa

SUMÁRIO
1 Conceitos Preliminares Utilizados na Estatı́stica Experimental 3

1.1 Estimadores das variâncias e covariância entre dois contrastes . . 5
1.2 O Teste F . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 O Teste t-Student . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 O Teste de Tukey . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5 O Teste de Duncan . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.6 O Teste de Scheffé . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2 Experimentos inteiramente casualizados com um fator fixo 13

2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Um possı́vel desenho desse tipo de ensaio no campo, com 5 trata-
mentos e 5 repetições. . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3 Organização dos dados . . . . . . . . . . . . . . . . . . . . . . . . 14
2.4 O Modelo Matemático e Suposições . . . . . . . . . . . . . . . . . 15
2.5 Estimativas dos parâmetros do modelo . . . . . . . . . . . . . . . 17
2.6 Decomposição da variabilidade total . . . . . . . . . . . . . . . . 19
2.7 Distribuições de probabilidade dos estimadores e das somas dos
quadrados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.8 Valores esperados das somas dos quadrados e dos quadrados médios 25
2.9 Análises estatı́sticas . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.10 Comparações Múltiplas . . . . . . . . . . . . . . . . . . . . . . . 29
2.11 Desdobramento da análise . . . . . . . . . . . . . . . . . . . . . . 30
2.12 Comparações Múltiplas - Teste de Tukey . . . . . . . . . . . . . . 37
2.13 Comprovação da idoneidade do modelo . . . . . . . . . . . . . . . 39
2.13.1 Obtenção dos resı́duos . . . . . . . . . . . . . . . . . . . . 39
2.13.2 Análise dos resı́duos . . . . . . . . . . . . . . . . . . . . . 42
2.13.3 Transformaçõs nos dados . . . . . . . . . . . . . . . . . . 52
2.14 Experimento inteiramente casualizado com nı́veis quantitativos
do fator tratamento. . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.15 Experimento inteiramente casualizado com nı́veis quantitativos
do fator tratamento. . . . . . . . . . . . . . . . . . . . . . . . . . 62
1
2
3 Experimentos em blocos completos casualizados 71

3.1 Generalidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.2 Um possı́vel desenho desse tipo de ensaio no campo, com I=5
tratamentos e J=4 blocos. . . . . . . . . . . . . . . . . . . . . . . 72
3.3 Organização dos dados numa tabela . . . . . . . . . . . . . . . . 72
3.4 O modelo matemático e suposições . . . . . . . . . . . . . . . . . 73
3.5 Estimativas dos parâmetros . . . . . . . . . . . . . . . . . . . . . 74
3.6 Decomposição da variabilidade total . . . . . . . . . . . . . . . . 75
3.7 Distribuição de probabilidade dos estimadores e das somas dos
quadrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.8 Valores esperados das somas dos quadrados e dos quadrados médios 77
3.9 Análises estatı́sticas . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.10 Teste de comparações múltiplas - Tukey . . . . . . . . . . . . . . 79
3.11 Um exemplo de aplicação . . . . . . . . . . . . . . . . . . . . . . 79
4 Experimentos em quadrados latinos 87

4.1 Exemplo de um possı́vel desenho de um quadrado latino 5 × 5 no
campo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.2 Organização dos dados de um experimento em quadrado latino
com 5 tratamentos . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.3 O modelo matemático e suposições . . . . . . . . . . . . . . . . . 89
4.4 Estimativas dos parâmetros . . . . . . . . . . . . . . . . . . . . . 90
4.5 A Decomposição da variabilidade total . . . . . . . . . . . . . . . 90
4.6 Teste de comparações múltiplas - Tukey . . . . . . . . . . . . . . 91
4.7 Um exemplo de aplicação . . . . . . . . . . . . . . . . . . . . . . 92
4.7.1 As estimativas dos parâmetros . . . . . . . . . . . . . . . 93
4.7.2 Comparações das médias das variedades duas a duas . . . 97
5 Experimentos em parcelas subdivididas 99

5.1 Generalidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.2 Possı́veis desenhos desse tipo de experimento no campo, com 3
tratamentos, 4 subtratamentos e 3 repetições . . . . . . . . . . . 100
5.3 O modelo matemático . . . . . . . . . . . . . . . . . . . . . . . . 103
5.4 Estimação dos parâmetros do modelo . . . . . . . . . . . . . . . . 104
5.5 A decomposição da variabilidade total . . . . . . . . . . . . . . . 105
5.6 As esperanças dos quadrados médios . . . . . . . . . . . . . . . . 106
5.7 Testes de comparações múltiplas - Tukey . . . . . . . . . . . . . . 109
5.8 Um exemplo ilustrativo . . . . . . . . . . . . . . . . . . . . . . . 111
5.9 Comparações múltiplas - Teste de Tukey . . . . . . . . . . . . . . 115
5.10 Desdobramento dos graus de liberdade e das somas dos quadrados 117
Capı́tulo 1
Conceitos Preliminares
Utilizados na Estatı́stica
Experimental
• Princı́pios Básicos
– Repetição
– Casualização
– Controle local
• Unidade experimental ou parcela
– Um indivı́duo ou um grupo de indivı́duos

Área útil
– Área fı́sica
Bordaduras
• População e amostras, estimadores e estimativas
– Médias populacionais: µ1 , µ2 , · · · , µi , · · · µI (são parâmetros)

– Médias amostrais: m1 , m2 , · · · , mi , · · · , mI (são estimadores dos parâmetros)
– Observações:
y11 , y12 , · · · , y1j , · · · , y1r1 (uma a.a. de r1 indivı́duos da população 1)

y21 , y22 , · · · , y2j , · · · , y2r2 (uma a.a. de r2 indivı́duos da população 2)
..
.
yI1 , yI2 , · · · , yIj , · · · , yInI (uma a.a. de rI indivı́duos da população I)
– Organização das observações (amostras):
3
4
Tabela 1.1: Amostras de tamanho ri , (i = 1, ..., I), de I populações
Populações Repetições Totais Médias

Pi 1 2 ··· j ··· ri yi. ȳi = yri.i = mi
P1 y11 y12 · · · y1j ··· y1r1 y1. ȳ1. = yr1. 1
= m1
P2 y21 y22 · · · y2j ··· y2r2 y2. ȳ2. = yr2. 2
= m2
.. .. .. .. .. .. ..
. . . . . . .
Pi yi1 yi2 · · · yij ··· yiri yi. ȳi. = yri.i = mi
.. .. .. .. .. .. ..
. . . . . . .
PI yI1 yI2 · · · yIj ··· yIrI yI. ȳI. = yrI. I
= mI
Geral - - - - - - y.. ȳ..
• Estimadores de µi :
ri
1 X
mi = yij
ri j=1
• Contrastes de médias:
I
X I
X
Ψh = c1 µ1 + c2 µ2 + · · · + cI µI = ci µi , com ci = 0
i=1 i=1
Exemplo 1: Consideremos as estimativas das médias de produção de 4 varie-

dades de cana-de-açúcar:
CB41 − 76 : m1 = 123, 8ton/ha
CB56 − 43 : m2 = 105, 4ton/ha
CB52 − 46 : m3 = 100, 7ton/ha
Co419 : m4 = 98, 4ton/ha
• Contraste de interesse: Ψ1 = 31 (µ1 + µ2 + µ3 ) − µ4
• Estimador do comtraste: Ψ̂1 = 13 (m1 + m2 + m3 ) − m4
• Estimativa do contraste: ψ̂1 = 13 (123, 8 + 105, 4 + 100, 7) − 98, 4 = 11, 57.
Em Estatı́stica Experimental, quando queremos colocar à prova uma hipótese

de interesse H0 contra a hipótese alternativa H1 , em geral, formulamos H0
em termos de um contraste das médias das populações envolvidas no estudo.
Por exemplo, o contraste Ψ1 corresponde a hipótese H0 : µ1 +µ32 +µ3 = µ4 a
qual é equivalente a H0 : µ1 + µ2 + µ3 − 3µ4 = 0 e a hipótese alternativa
seria H1 : µ1 +µ32 +µ3 6= µ4 ou H1 : µ1 + µ2 + µ3 − 3µ4 6= 0 ou, simplesmente,
H0 : Ψ1 = 0 contra H1 : Ψ1 6= 0. Neste caso, estamos interessados em testar se
a média de produção das variedades CB ′ s, juntas, é igual à média de produção
da variedade Co419.
5
1.1 Estimadores das variâncias e covariância en-

tre dois contrastes
Consideremos os contrastes de médias:
Ψ1 = a1 µ1 + a2 µ2 + · · · + aI µI e Ψ2 = b1 µ1 + b2 µ2 + · · · + bI µI
e seus respectivos estimadores:
Ψ̂1 = a1 m1 + a2 m2 + · · · + aI mI e Ψ̂2 = b1 m1 + b2 m2 + · · · + bI mI .
Considerando-se que mi e mi′ , i = 6 i′ , são médias de amostras aleatórias de

populações independentes, então, as variâncias e covariância dos estimadores
dos contrastes, são dadas por:
σ2 σ2 σ2 P
I
σ2
• V ar(Ψ̂1 ) = a21 r11 + a22 r22 + · · · + a2I rII = a2i rii ,
i=1
σ2 σ2 σ2 P σ2
• V ar(Ψ̂2 ) = b21 r11 + b22 r22 + · · · + b2I rII = b2i rii ,
σ2 σ2 σ2 P σ2
• Cov(Ψ̂1 , Ψ̂2 ) = a1 b1 r11 + a2 b2 r22 + · · · + aI bI rII = ai bi rii .
Admitindo, como em geral ocorre nos experimentos, que
r1 = r2 = · · · = rI = J e σ12 = σ22 = · · · = σI2 = σ 2 ,
então teremos:
2
σ2
P
• V ar(Ψ̂1 ) = (a21 + a22 + · · · + a2I ) σJ = J a2i ,
2
σ2
P
• V ar(Ψ̂2 ) = (b21 + b22 + · · · + b2I ) σJ = J b2i ,
2
σ2
P
• Cov(Ψ̂1 , Ψ̂2 ) = (a1 b1 + a2 b2 + · · · + aI bI ) σJ = J ai bi .
E, os estimadores das variâncias e covariância dos estimadores dos contrastes

ficam,
2
s2
P
• Vd
ar(Ψ̂1 ) = (a21 + a22 + · · · + a2I ) sJ = J a2i ,
2
s2
P
• Vd
ar(Ψ̂2 ) = (b21 + b22 + · · · + b2I ) sJ = J b2i ,
d Ψ̂1 , Ψ̂2 ) = (a1 b1 + a2 b2 + · · · + aI bI ) s2 = s2

P
• Cov( J J ai bi ,
onde s2 é um estimador apropriado de σ 2 , a variância do erro experimental.
OBS.: Se (a1 b1 + a2 b2 + · · · + aI bI ) = 0, diremos que os contrastes Ψ1 e Ψ2 são

ortogonais entre si.
6
Exemplo 2: Num experimento com 5 tratamentos repetidos 6 vezes foram obti-

das as seguintes estimativas das médias de % de açúcar provável, para os
tratamentos, bem como, a estimativa s2 , de σ 2 e o número de graus de
liberdade dos resı́duos:
m1 = 14, 85
m2 = 14, 68
m3 = 14, 35 s2 = QM Res = 0, 8312
m4 = 13, 74 ν = 25 → g.l. de resı́duo.
m5 = 13, 20
Sejam os estimadores dos contrastes:

• Ψ̂1 = 2m1 + 2m2 + 2m3 − 3m4 − 3m5
• Ψ̂2 = 2m1 − m2 − m3
Então, as estimativas dos contrastes e respectivas estimativas das variâncias e
covariância das estimativas dos contrastes, são:
• ψ̂1 = 2(14, 85) + 2(14, 68) + 2(14, 35) − 3(13, 74) − 3(13, 20) = 6, 94,
• ψ̂2 = 2(14, 85) − 1(14, 68) − 1(14, 35) = 0, 67,

• Vdar(ψ̂1 ) = 22 + 22 + 22 + (−3)2 + (−3)2 0,8312 6 = 4, 156,
2
• Vdar(ψ̂2 ) = 2 + (−1)2 + (−1)2 0,8312 6 = 0, 8312,
d ψ̂1 , ψ̂2 ) = [4 − 2 − 2 + 0 + 0] 0,8312 = 0.
• Cov( 6
Em particular, a variância do estimador de um contraste entre duas médias,

é dada por:

1 1 2 d 1 1
V ar(Ψ̂h ) = + σ e o seu estimador é V ar(Ψ̂h ) = + s2 .
ri ri′ ri ri′
Além disso, se ri = ri′ = J, como em geral ocorre nos experimentos, então o

estimador da variância do estimador de um contraste entre duas médias, será
dada por:
2s2
Vdar(Ψ̂h ) = .
J
1.2 O Teste F
• Seja s21 a variância amostral obtida de n1 observações de uma população
normal,
• Seja s22 a variância amostral obtida de n2 observações de uma população
normal,
7
• Suponha que as duas amostras sejam independentes, então
s21
F = ,
s22
tem distribuição F de Snedecor e Cochran com (n1 − 1) e (n2 − 1) graus

de liberdade.
Quando aplicamos o teste F estamos contrastando as hipóteses
H0 : σ12 = σ22 vs H1 : σ12 > σ22 .
Exemplo 3: Suponhamos
s21 = 13, 62 com 6 g.l.

s22 = 6, 47 com 12 g.l.
Assim sendo, teremos

13, 62
F = = 2, 10.
6, 47
Na tabela da distribuição F , temos:
F[6; 12; 5%] = 3, 00
Visto que F calculado é menor que F da tabela, então não rejeitamos

H0 : σ12 = σ22 , ao nı́vel de 5% de significância.
OBS.1: Sempre que aplicando o teste F estamos admitindo que s21 > s22 .
OBS.2: O emprego mais comum do teste F é na Análise da Variância.
1.3 O Teste t-Student
O teste t-Student pode ser empregado para comparar médias de populações

normais.
Recomenda-se, para aplicação desse teste, que os contrastes entre as médias
dos tratamentos considerados no experiemnto sejam ortogonais entre si e esta-
belecidos no planejamento.
Pode se fazer no máximo tantas comparações quantos forem o número de
g.l. dos tratamentos.
Obs.: Na análise da variância os contrastes ortogonais têm um papel im-
portantı́ssimo.
Para testar a hipótese:
H0 : Ψ = 0 vs H1 : Ψ 6= 0,
calculamos:
8
|ψ̂h − 0|
t= q .
Vdar(ψ̂h )
Regra de decisão: rejeitamos H0 em favor de H1 , ao nı́vel de significância α,

se o t calculado for maior do que o t de tabela.
Exemplo: Considerando os dados do Exemplo 2 e admitindo que queremos

contrastar as hipóteses:
H0 : Ψ1 = 0 vs H1 : Ψ1 6= 0,
onde, Ψ1 = 2µ1 + 2µ2 + 2µ3 − 3µ4 − 3µ5 .
Então,
|6, 94 − 0|
t= √ = 3, 404
4, 156
Da tabela da t-Student tem-se que t[25; 5%] = 2, 06. Como o valor de t
calculado é maior que o valor de tabela então rejeitamos H0 e concluimos,
ao nı́vel de 5% de significância, que a média dos três primeiros tratamentos
é diferente da média dos dois últimos.
1.4 O Teste de Tukey
Pode ser utilizado para todo e qualquer contrastes entre duas médias dos
tratamentos envolvidos num experimento.
O teste é exato se os tratamentos são igualmente repetidos e é apenas apro-
ximado se o número de repetições por tratamento forem diferentes.
Para contrastar as hipóteses
H0 : µi = µi′ vs H1 : µi 6= µi′ , ∀ i 6= i′ .
Calculamos: s
1 1 1
∆ = DM S = q(I; ν; α) + s2 ,
2 ri ri′

onde, s2 = QM Res, r1i + r1′ s2 é a estimativa da variância do estimador do
i
contraste entre duas médias, Ψh = µi − µi′ , q(I; ν; α) é o valor da tabela da am-
plitude total estudentizada de Tukey correspondente ao número de tratamentos
I, número de graus de liberdade dos resı́duos, ν e nı́vel de significância α.
Regra de decisão: rejeitamos H0 : µi = µi′ se, ψ̂h = |mi − mi′ | > DM S.

9
Utilizando os dados do exemplo anterior, temos q[5; 25; 5%] = 4, 16, e,

s
1 1 1
∆ = DM S = 4, 16 + 0.8312 = 1, 55.
2 6 6
Portanto, qualquer contraste entre duas médias dos tratamentos cujo valor
absoluto da estimativa for superior a 1,55, rejeitamos a hipótese H0 : µi = µi′
em favor de H1 : µi 6= µi′ , ao nı́vel de 5% de significância pelo teste de Tukey.
1.5 O Teste de Duncan
O teste de Duncan consegue discriminar mais que o teste de Tukey. Ele

rejeita a hipótese H0 : µi = µi′ , (i 6= i′ ), onde o teste de Tukey não consegue
rejeitar.
O teste é exato quando o número de repetições por tratamento é o mesmo e
aproximado em situação contrária.
Para testar a hipótese
H0 : µi = µi′ vs H1 : µi 6= µi′ , ∀ i 6= i′ .
Calculamos:
s
1 1 1
Dk = z(k; ν; α) + s2 ,
2 ri ri′

onde, s2 = QM Res, r1i + r1′ s2 é a estimativa da variância do estimador do
i
contraste entre duas médias, Ψh = µi − µi′ , z(k; ν; α) é dado de tabela para o
número k de médias ordenadas abrangidas no contraste de interesse, o número
de graus de liberdade do resı́duo ν e nı́vel de significância α.
Regra de decisão: rejeitamos H0 : µi = µi′ , ao nı́vel de significância α, se o

valor absoluto da estimativa do contraste for maior que o valor de D calculado.
Isto é, se |ψ̂h | = |mi − mi′ | > D.
No nosso exemplo, as médias já estão naturalmente ordenadas, isto é,
m1 = 14, 85
m2 = 14, 68
m3 = 14, 35 s2 = QM Res = 0, 8312
m4 = 13, 74 ν = 25 → .g.l. de resı́duo.
m5 = 13, 20
10
Por exemplo:
q
|ψ̂1 | = |m1 − m5 | = 1, 65 −→ D5 = 3, 21 12 1
6 + 1
6 0, 8312 = 1, 19;
q
|ψ̂2 | = |m1 − m4 | = 1, 11 −→ D4 = 3, 14 12 1
6 + 1
6 0, 8312 = 1, 17;
|ψ̂3 | = |m2 − m5 | = 1, 48 −→ D4 = 1, 17;q

|ψ̂4 | = |m1 − m3 | = 0, 50 −→ D3 = 3, 06 12 1
6 + 1
6 0, 8312 = 1, 14;
q
|ψ̂5 | = |m1 − m2 | = 0, 17 −→ D2 = 2, 91 12 1
6 + 1
6 0, 8312 = 1, 08.
Note que existem outros possı́veis contrastes de interesse entre duas média neste
experimento.
11
1.6 O Teste de Scheffé
Este teste só deve ser aplicado quando a hipótese de igualdade das médias,
isto é, H0 : µ1 = µ2 = · · · = µI = µ, for rejeitada. Se a mesma não for rejeitada
nenhum contraste entre as médias será estatisticamente significativo.
É um teste mais geral que o de Tukey ou de Duncan. Pois, permite julgar
contrastes que envolvem duas ou mais médias.
Para testar a hipótese
H0 : Ψh = 0 vs H1 : Ψh 6= 0.
Calculamos: q
S= (I − 1)Vd
ar(ψ̂h ).F[(I−1); (n−I); α] ,
onde I é o número de tratamentos, Vd ar(ψ̂h ) é a estimativa da variância do

estimador do contraste h e F[(I−1); (n−I); α] é o valor de tabela da distribuição
F , ao nı́vel de significância α, correspondente ao número de graus de liberdade
de tratamento e graus de liberdade dos resı́duos.
Regra de decisão: rejeitamos H0 , ao nı́vel de significância α se, e somente se,

|ψ̂| ≥ S.
Exemplo:
Seja o seguinte contraste de médias:
Ψ1 = 2µ1 + 2µ2 + 2µ3 − 3µ4 − 3µ5 .
Então, o estimador do contraste Ψ1 e sua estimativa são dados por:
Ψ̂1 = 2m1 + 2m2 + 2m3 − 3m4 − 3m5 e

ψ̂1 = 2(14, 85) + 2(14, 68) + 2(14, 35) − 3(13, 74) − 3(13, 2) = 6, 94.
A estimativa da variância do estimador do contraste Ψ1 é

0, 8312
Vd
ar(ψ̂1 ) = [(+2)2 + (+2)2 + (+2)2 + (−3)2 + (−3)2 ] = 4, 156
6
e
F[4; 25; 5%] = 2, 76.
Portanto, p
S= (5 − 1)4, 156 × 2, 76 = 6, 77.
Como |ψ̂1 | = 6, 94 > S = 6, 77, então rejeitamos H0 ao nı́vel de 5% de
significância.
Observação: Existem outros testes utilizados para comparar médias. Aquı́,
nos contentamos com estes.
12
Capı́tulo 2
Experimentos inteiramente
casualizados com um fator
fixo
2.1 Introdução
• Leva em consideração apenas dois princı́pios da experimentação: repetição

e casualização;
• O ambiente no qual o ensaio vai ser instalado e/ou o material experimental

devem ser homogêneos;
• O número de repetições pode variar de um tratamento para outro sem que

isso dificulte as análises estatı́sticas posteriores, embora seja conveniente
planejar experimentos com o mesmo número de repetições por tratamento;
• É mais eficiente que os outros delineamentos experimentais, uma vez que

o número de graus de liberdade para o resı́duo é o maior possı́vel.
• Uma desvantagem desse tipo de experimento é que, em geral, ele conduz

a estimativas mais elevadas da variância do erro experimental, uma vez
que todas as fontes de variação, com exceção dos tratamentos, que atuam
sobre a variável resposta, são atribuı́das ao acaso.
13
14
2.2 Um possı́vel desenho desse tipo de ensaio no

campo, com 5 tratamentos e 5 repetições.
T1 T5 T3 T4 T5
T4 T2 T1 T3 T4
T5 T4 T2 T5 T3
T1 T2 T1 T4 T2
T2 T3 T5 T3 T1
2.3 Organização dos dados
Os dados de um experimento devem ser colocados em tabelas de forma or-

ganizada para facilitar as análises estatı́sticas subsequentes. No caso de um
experimento inteiramente casualizado com I tratamentos, onde cada um deles
foi repetido ri vezes, (i = 1, 2, · · · , I), os dados observados de uma variável
resposta podem ser organizados conforme sugere a Tabela 2.1.
15
Tabela 2.1: Dados observados de um experimento inteiramente casualizado

com I tratamentos repetidos ri vezes.
Tratamento Repetições Total Média

Ti 1 2 ··· j ··· ri yi. ȳi = mi
T1 y11 y12 · · · y1j · · · y1r1 y1. ȳ1. = m1
T2 y21 y22 · · · y2j · · · y2r2 y2. ȳ2. = m2
.. .. .. .. .. .. ..
. . . . . . .
Ti yi1 yi2 ··· yij ··· yiri yi. ȳi. = mi
.. .. .. .. .. .. ..
. . . . . . .
TI yI1 yI2 ··· yIj ··· yIrI yI. ȳI. = mI
Geral - - - - - - y.. ȳ..
2.4 O Modelo Matemático e Suposições
No delineamento completamente aleatorizado com um fator as observações

na população serão escritas como:

i = 1, 2, · · · , I,
yij = µ + τi + εij , com (2.1)
j = 1, 2, · · · , ri ,
onde,
• yij é a observação obtida da j-ésima unidade experimental que recebeu o
tratamento i,
• µ é a média geral,
• τi é o efeito do i-ésimo tratamento sobre a variável resposta, aqui consi-
derado fixo,
• εij é o erro casual (ou perturbação aleatória) associado a observação yij .
• Adicionalmente supõe-se, neste modelo, que εij são variáveis aleatórias
independentes com distribuição normal de média zero e variância comum
σ2 .
Cosequentemente, tem-se que:
1. Como os εij são aleatórios, µ e τi são fixos, então verifica-se que:
E(εij ) = 0 e E(ε2ij ) = σ 2 ,
E(µ) = µ e E(µ2 ) = µ2 ,
E(τi ) = τi e E(τi2 ) = τi2 ;
16
2. Dada a independência dos erros, tem-se que:
E(εij εrs ) = E(εij )E(εrs ) = 0; ∀ i 6= r ou j 6= s;
3. O valor esperado da variável resposta no i-ésimo nı́vel, é denotada por µi

e é dado por
µi = E(yij ) = µ + τi e segue que τi = µi − µ;
4. Como os efeitos dos tratamentos τi são fixos e expressos pelos desvios entre
a média dos tratamentos e a média geral, então verifica-se que:
I
X
ri τi = 0;
i=1
5. As observações yij são variáveis aleatórias normais independentes com

média µi = µ + τi e variância σ 2 , denotaremos por:
yij ∼ N (µi ; σ 2 ).
Obsesvação 1: Quando os tratamentos forem igualmente repetidos, ou seja,

quando r1 = r2 = · · · = rI = J, diremos que o experimento é balanceado e o
modelo (2.1) será escrito da seguinte maneira,

i = 1, 2, · · · , I,
yij = µ + τi + εij , com (2.2)
j = 1, 2, · · · , J.
Existem duas maneiras pelas quais os I tratamento são escolhidos para o

experimento:
1. Os I tratamentos são escolhidos (fixados) pelo pesquisador. Nesse caso,

desejamos estimar e contrastar hipóteses sobre os τi e, as conclusões serão
válidas apenas para os tratamentos considerados, não podendo ser esten-
didas a outros tratamentos que não foram considerados no experimento.
Assim sendo, dizemos que o modelo é de efeitos fixos;
2. Os I tratamento são sorteados aleatoriamente de uma população de trata-

mentos. Nessa situação, as conclusões (baseadas numa amostra de trata-
mentos) serão válidas para toda população de tratamentos, tendo eles
sido considerados explicitamente no experimento ou não. Dessa forma,
os τi são variáveis aleatórias e o nosso interesse será estimar e contrastar
hipóteses sobre a variabilidade dos τi . Assim sendo, dizemos que o modelo
é de efeitos aleatórios ou de componentes da variância.
Consideraremos nesta seção, o modelo de efeitos fixos cujas hipóteses de

interesse a serem contrastadas são formuladas da seguinte maneira:
17

 H0 : τi = 0, ∀ i
vs (2.3)

H1 : τi 6= 0, para pelo menos um i.
Se H0 for verdadeira concluimos que os tratamentos não produzem nenhum
efeito sobre a variável resposta. Caso contrário, isto é, se H0 for falsa, concluire-
mos que pelo menos um tratamento tem efeito sobre a variável resposta.
As hipóteses H0 e H1 em (2.3) podem ser escritas de froma equivante como:

 H0 : µ1 = · · · = µI = µ
vs (2.4)

H1 : µi 6= µi′ , para pelo menos um i 6= i′ .
Neste caso, se H0 for verdadeira concluimos que as médias da variável res-
posta relativas aos tratamentos são todas iguais a µ, caso contrário, diremos
que existe pelo menos um par de médias, (µi , µi′ ), i 6= i′ , que diferem estatisti-
camente entre si.
2.5 Estimativas dos parâmetros do modelo
Como não conhecemos os parâmetros populacionais, (µ, τi ), tão pouco os

verdadeiros erros experimentais, εij , as observações experimentais (as amostras),
(y11 , · · · , y1r1 , · · · , yi1 , · · · , yiri , · · · , yI1 , · · · , yIrI ), poderão ser escritas pelo mo-
delo matemático em termos dos estimadores, isto é,

i = 1, 2, · · · , I,
yij = m + ti + eij , com (2.5)
j = 1, 2 · · · , ri ,
onde, m é o estimador de µ, ti é o estimador de τi e os resı́duos eij são os

estimadores dos erros experimentais, εij .
A partir do modelo (2.5), os resı́duos poderão ser obtidos por:
eij = yij − m − ti .
Para encontrar os estimadores, que são funções das observações experimen-

tais, utilizaremos o método dos mı́nimos quadrados, o qual consiste de encontrar
os valores de m e ti que minimizam a soma dos quadrados dos resı́duos. Neste
sentido, teremos:
eij = yij − m − ti =⇒ e2ij = (yij − m − ti )2 ,
e segue que
X X
Z= e2ij = (yij − m − ti )2 .
ij ij
18
Para se obter os valores de m e ti que minimizam a soma dos quadrados

dos resı́duos, derivamos parcialmente a função Z em relação a cada parâmetro,
igualamos a zero e em seguida explicitamos cada estimador. Ou seja,
∂Z X X
=2 (yij − m − ti )(−1) = 0 =⇒ nm + ri ti = y.. (I)
∂m ij i
∂Z X
=2 (yij − m − ti )(−1) = 0 =⇒ ri m + ri ti = yi. , (II)
∂ti j
P
onde n = i ri .
As equações (I) e (II) formam um sistema denominado Sistema de Equações
Normais, que é dado por:
 P
 nm + i ri ti = y..
(2.6)

ri m + ri ti = yi.
O sistema (2.6) é indeterminado, uma vez que apresenta duas equações e
P 1) incógnitas. Para resolvê-lo impomos uma restrição conveniente, a saber,
(I +
i ri ti = 0. Dessa forma, podemos encontrar os estimadores de µ e τi . Isto é,
m = ȳ.. e ti = ȳi. − ȳ..

e, segue que os estimadores de µi = µ + τi e εij , são dados por:
µ̂i = Ê(yij ) = ŷij = m + ti = ȳi. e eij = yij − ŷij = yij − ȳi.
A Tabela 2.2 apresenta um resumo dos resultados encontrados nesta seção.
Tabela 2.2: Estimadores das caracterı́sticas relativas ao modelo matemático

utilizado para descrever as observações de um experimento inteiramente casua-
lizado com um fator de efeitos fixos.
Caracterı́stica Notação Estimador da

ou parâmetro (população) caracterı́stica
Média geral µ → m = yn.. = ȳ..
Efeito do tratamento i τi → ti = ȳi. − ȳ..
Média do tratamento i µi = E(yij ) → ŷij = m + ti = ȳi.
Erro experimental εij → eij = yij − ŷij = yij − ȳi.
Variância∗ σ2 → s2 = QM Res.
∗
Mostraremos posteriormente que s2 = QM Res. é um estimador não vicia-
do para σ 2 .
19
2.6 Decomposição da variabilidade total
De acordo com os resultados apresentados na Tabela 2.2, o modelo (2.3)

pode ser representado pela identidade
yij = ȳ.. + (ȳi. − ȳ.. ) + (yij − ȳi. ) (2.7)

|{z} | {z } | {z }
m ti eij
daı́, podemos escrever
(yij − ȳi. ) = (yij − ȳ.. ) + (ȳi. − ȳ.. ) (2.8)
Elevando-se ao quadrado os dois lado da equação (2.8) e somando-se para todas

as observações, obtem-se
X X X X
(yij − ȳi. )2 = (yij − ȳ.. )2 + (ȳi. − ȳ.. )2 − 2 (yij − ȳ.. )(ȳi. − ȳ.. )
i,j i,j i,j i,j
X X X
2 2
= (yij − ȳ.. ) + ri (ȳi. − ȳ.. ) − 2 ri (ȳi. − ȳ.. )2
i,j i i
X X
2 2
= (yij − ȳ.. ) − ri (ȳi. − ȳ.. ) .
i,j i
Portanto, desenvolvendo algebricamente os termos da equação acima, encontra-

se   !
X X X y2
(yij − ŷij ) = 
2
yij − C  −
2 i.
−C (2.9)
ij ij i
ri
| {z } | {z } | {z }
SQRes. SQT otal SQT rat.
2
onde, ŷij = Ê(yij ) = m + ti = mi = ȳi. e C = (yn.. ) .
Assim sendo, a variabilidade total é decomposta em duas partes: a variabi-
lidade devida aos tratamentos e variabilidade devida ao acaso, ou seja,
SQT otal = SQT rat. + SQRes. (2.10)
Na prática, SQRes. é obtida por diferença, isto é,
SQRes. = SQT otal − SQT rat. (2.11)
Para contrastar as hipóteses de interesse empregamos a técnica da Análise

da Variância (ANOVA), que é baseada na distribuição de probabilidade F e,
para entendermos como isto é feito, precisamos descobrir as distribuições de
probabilidade dos estimadores e das somas dos quadrados, em seguida obter os
valores esperados das somas dos quadrados e dos quadrados médios.
20
2.7 Distribuições de probabilidade dos estima-

dores e das somas dos quadrados.
1. Distribuições de probabilidade de m e de C
1X
m = ȳ.. = yij .
n i,j
Observe que m é uma combinação linear dos yij os quais seguem uma
distribuição normal. Portanto, como sabemos que uma combinação linear
de variáveis aleatórias normais, também segue uma distribuição normal,
então m é normal. Precisamos agora, encontrar as carcterı́sticas da dis-
tribuição, isto é,
1X 1X
m = yij = (µ + τi + εij )
n i,j n i,j
 
X 0X
1 > 1X
= nµ + r
i τi + εij  = µ + εij
n n ij
i i,j
Assim, teremos:
E(m) = µ
e
 2  2
1 X 1 X
V ar(m) = E[m − E(m)]2 = E µ + εij − µ = 2 E  εij 
n ij n ij
1 1
= E(ε11 + · · · + εIrI )2 = 2 E(ε211 + · · · + ε2IrI + 2ε11 ε12 + odp)
n2 n
1 2 2 σ2
= (σ + · · · + σ +0 + 0) = ,
n2 | {z } n
n vezes
onde, odp significa outros duplos produtos.

2
Portanto, m segue uma distribuição normal com média µ e variância σn ,
denotada por:
σ2
m = ȳ.. ∼ N µ; . (2.12)
n
Segue que
√
ȳ − µ n(ȳ.. − µ)
p.. ∼ N (0; 1) ⇐⇒ ∼ N (0; 1).
σ 2 /n σ
Assim sendo, sob a hipótese H0 : µ = 0, as estatı́sticas

√ (y )2
n(ȳ.. ) n(ȳ.. )2 ..
C
∼ N (0; 1) e = n
= ∼ χ2(1) . (2.13)
σ σ2 σ2 σ2
21
Portanto, sob H0 : µ = 0, a estatı́stica σC2 , segue uma distribuição de

qui-quadrado central com um grau de liberdade.
2. Distribuições de probabilidade de ti e de SQT rat.
Já sabemos que
1 X 1X
ti = ȳi. − ȳ.. = yij − yij .
ri j n i,j
Logo, ti é uma combinação linear dos yij os quais seguem uma distribuição
normal e, portanto, ti segue uma distribuição normal.
As caracterı́sticas da distribuição de ti serão obtidas da seguinte maneira:
1 X 1X
ti = yij − yij
ri j n i,j
ri
1 X 1X
= (µ + τi + εij ) − (µ + τi + εij )
ri j=1 n i,j
Xri X 0
1 1 > X
= (ri µ + riτi + εij ) − (nµ + r
τ + εij )
ri n i i
j=1 i i,j
1 X 1X
= τi + εij − εij .
ri j n i,j
Agora,
E(ti ) = τi
e
1 X 1 X 2
V ar(ti ) = E[ti − E(ti )]2 = E εij − εij
ri j n i,j
1 X 2 1 X 2 2 X X
= E 2 εij + 2 εij − εij εij
ri j n i,j nri j i,j
σ2 σ2 2σ 2 σ2 σ2 (n − ri )σ 2
= + − = − = .
ri n n ri n nri
Portanto,
(n − ri )σ 2
ti ∼ N τi ; . (2.14)
nri
Sendo
(n − ri )σ 2
ti = ȳi. − ȳ.. ∼ N τi ; , então,
nri
22
ȳi. − ȳ.. − τi
q ∼ N (0; 1).
(n−ri )σ 2
nri
Sob a hipótese H0 : τi = 0, tem-se que
ȳ − ȳ.. ri (ȳi. − ȳ.. )2

q i. ∼ N (0; 1) =⇒ (n−ri )σ 2
∼ χ2(1) ou
(n−ri )σ 2
nri n
ri (ȳi. − ȳ.. )2 (n − ri ) 2
∼ χ(1)
σ2 n
e segue que
P
I
ri (ȳi. − ȳ.. )2
i=1 SQT rat. (In − n) 2
= ∼ χ(1) = (I − 1)χ2(1) = χ2(I−1) .
σ2 σ2 n
(2.15)
O resultado (3.6) se verifica porque sendo os yij variáveis aleatórias inde-
pendentes, os termos: r1 (ȳ1. − ȳ.. ), r2 (ȳ2. − ȳ.. ), · · · , rI (ȳI. − ȳ.. ), sujeitos
P
I P
I
a restrição: ri (ȳi. − ȳ.. ) = ri ti = 0, também o são. E, portanto, a
i=1 i=1
P
I
2
ri (ȳi. −ȳ.. )
i=1
estatı́stica σ2 está associada a (I − 1) graus de liberdade.
3. Distribuição de probabilidade de eij e da SQRes.
Sabemos que
ri
1 X
eij = yij − ŷij = yij − ȳi. = yij − yij (2.16)
ri j=1
é uma combinação linear dos yij que têm distribuição normal. Sendo
assim, eij também segue uma distribuição normal.
Desenvolvendo a expressão (3.7), vem,
ri ri
1 X 1 X
eij = yij − yij = µ + τi + εij − (ri µ + ri τi + εij )
ri j=1 ri j=1
ri
1 X
= εij − εij .
ri j=1
Daı́, encontramos:
E(eij ) = 0
23
e
 2
Xri
1
V ar(eij ) = E[eij − E(eij )]2 = E εij − εij 
ri j=1
  2 
r r
 1 X  i
2εij X i
= E ε2ij + 2  εij − εij 

ri j=1 ri j=1
σ2 2σ 2 σ2 (ri − 1)σ 2
= σ2 + − = σ2 − = .
ri ri ri ri
Assim sendo, teremos

(ri − 1)σ 2
eij ∼ N 0; . (2.17)
ri
Como

(ri − 1)σ 2 yij − ȳi.
eij = yij − ȳi. ∼ N 0; =⇒ q ∼ N (0; 1)
ri (ri −1)σ 2
ri
segue que
(yij − ȳi. )2 (yij − ȳi. )2 (ri − 1) 2

−1)σ 2
∼ χ2(1) =⇒ ∼ χ(1) .
(ri σ2 ri
ri
Somando-se para todos os resı́duos, teremos:

P
(yij − ȳi. )2 I ri
i,j SQRes. X X (ri − 1) 2
= ∼ χ(1) = (n − I)χ2(1) = χ2(n−I) .
σ2 σ2 i=1 j=1
ri
(2.18)
4. Distribuição de probabilidade da SQT otal

Sejam as diferenças entre cada observação e a média geral,
0
1
I
X X
yij − ȳ.. = µ + τi + εij − (nµ + ri τi + εij )
n i=1 i,j
1X
= τi + εij − εij .
n i,j
Então,
E(yij − ȳ.. ) = τi
24
e
2
V ar(yij − ȳ.. ) = E [yij − ȳ.. − E(yij − ȳ.. )]
 2   2 
1X   1 X 2εij X 
= E εij − εij = E ε2ij + 2  εij ) − εij 
n i,j n i,j
n i,j
σ2 2σ 2 σ2 (n − 1) 2
= σ2 + − = σ2 − = σ .
n n n n
Portanto,
(n − 1) 2
yij − ȳ.. ∼ N τi ; σ .
n
Sob a hipótese de que não exite efeito dos tratamentos. isto é, H0 : τi = 0
as estatı́sticas
y − ȳ.. (yij − ȳ.. )2
qij ∼ N (0; 1) e (n−1) 2
∼ χ2(1)
n σ
(n−1) 2
n σ
e, ainda,
(yij − ȳ.. )2 (n − 1) 2
2
∼ χ(1) .
σ n
Somando-se para todas as diferenças, teremos
P
(yij − ȳ.. )2
i,j SQT otal
2
= ∼ (n − 1)χ2(1) = χ2(n−1) .
σ σ2
Os resultados das distribuições de probabilidade dos estimadores dos parâ-

metros e das somas dos quadrados encontram-se na Tabela 3.6.
Tabela 2.3: Distribuições de probabilidade dos parâmetros e das somas dos

quadrados

σ2
m = ȳ.. ∼ N µ; n
e sob H0 : µ = 0, C
σ2
∼ χ2(1)
(n−ri ) 2

ti = ȳi. − ȳ.. ∼ N τi ; nri
σ e sob H0 : τi = 0, SQT rat.
σ2
∼ χ2(I−1)
(ri −1) 2

eij = yij − ȳi. ∼ N 0; ri
σ e independente de H0 , SQRes.
σ2
∼ χ2(n−I)
(n−1) 2

yij − ȳ.. ∼ N τi ; n
σ e sob H0 : τi = 0, SQT otal
σ2
∼ χ2(n−1) .
25
iid
Teorema 2.7.1 (Teorema de Cochran) Sejam Zi ∼ N (0; 1), i = 1, · · · , ν
e seja
Xν
Zi2 = Q1 + · · · + Qs
i=1
onde s < ν e Qi é qui-quadrado com νi graus de liberdade (ν1 , · · · , νs ). Então,
Q1 , · · · , Qs , são variáveis aleatórias qui-quadrado independentes, com ν1 , · · · , νs
graus de liberdade, respectivamente se, e somente si,
ν = ν1 + · · · + ν s .
Dividindo-se os dois lados da expressão (2.10) por σ 2 , isto é,
SQT otal SQT rat. SQRes.
2
= + (2.19)
σ σ2 σ2
e considerando-se os resultados apresentados na Tabela 3.6, a equação (3.9)
pode ser posta em termos de suas respectivas distribuições de probabilidade, ou
seja,
χ2(n−1) = χ2(I−1) + χ2(n−I) .
Como (n − 1) = (I − 1) + (n − I), de acordo com o teorema de Cochran, isso
prova a independência entre a SQT rat. e SQRes..
2.8 Valores esperados das somas dos quadrados

e dos quadrados médios
Dentre os argumentos teóricos utilizados para construir a ANOVA, a obtenção

dos valores esperados das somas dos quadrados e dos quadrados médios tem im-
portância fundamental. A seguir, procuraremos demonstrar como estes valores
esperados são obtidos.
1. Esperança da SQT otal
 
X X
E[SQT otal] = E  2
yij − C  = E[ 2
yij ] − E[C]
| {z }
i,j i,j
| {z } (II)
(I)
Mas,
X X
(I) = E[ (µ + τi + εij )2 ] = E[ (µ2 + τi2 + ε2ij + 2µτi + odp)]
i,j i,j
X
2
= E[µ + τi2 + ε2ij + 2µτi + odp]
i,j
X X 0 X
2 >
= nµ + ri τi2 + nσ + 2µ2
ri τi = nµ2 + ri τi2 + nσ 2

i i i
26
e
 2 

(y.. )2 1  X  
(II) = E[C] = E = E  yij 
n n i,j
X X 0
1 2 1
> X
= E{[ (µ + τi + εij )] } = E[(nµ + rτ + εij )2 ]
n n i i
i,j i i,j
1 X X
2 2 2
= E(n µ + ( εij ) + 2nµ εij ) = nµ2 + σ 2 .
n i,j i,j
Portanto,
X
E(SQT otal) = (I) − (II) = (n − 1)σ 2 + ri τi2 . (2.20)
i
2. Esperança da SQT rat. e do QM T rat.

" # " #
X y2 X y2
i. i.
E(SQT rat.) = E −C =E − E(C)
ri ri | {z }
i i
| {z } (II)
(III)
Mas,
" #  2
X y2 X 1 X
(III) = E i.
= E ri µ + ri τi + εi,j 
i
ri i
ri j
 
X 1 X ri
= E ri2 µ2 + ri2 τi2 + ( εij )2 + 2µri2 τi + odp
i
ri j=1
X 1
= (ri2 µ2 + ri2 τi2 + ri σ 2 + 2µri2 τi )
i
ri
X X 0 X
2 >
= nµ + ri τi2 2
+ Iσ + 2µ ri τi = nµ2 + ri τi2 + Iσ 2 .

i i i
Sendo assim, teremos:

X
E[SQT rat.] = nµ
(III) − (II) = 2
+ nµ
ri τi2 + Iσ 2 − 2
− σ2
i
X
2
= (I − 1)σ + ri τi2 .
i
e
SQT rat 1 X
E(QM T rat.) = E = σ2 + ri τi2 (2.21)
I −1 I −1 i
27
ou
1 X
E(QM T rat.) = σ 2 + ri (µ + τi − µ)2
I −1 i
1 X
= σ2 + ri (µi − µ)2 . (2.22)
I −1 i
3. Esperança da SQRes. e do QM Res.
E(SQRes.) = E(SQT otal) − E(SQT rat.)

X X
= (n − 1)σ 2 + r 2 2
i τi − (I − 1)σ − r 2
i τi

i i
= (n − I)σ 2 .
e
SQRes.
E(QM Res.) = E = σ2 .
n−I
Logo, s2 = QM Res. é um estimador não viciado para σ 2 , a variância do
erro.
A tabela a seguir é conhecida por tabela da AN OV A. Ela apresenta, de

forma organizada, as fontes de variação, os graus de liberdade, as somas dos
quadrados, os quadrados médios e os valores esperados dos quadrados médios.
Tabela 2.4: Tabela da ANOVA com as esperanças dos quadrados médios
F. Variação GL SQ QM E[QM ] P
1
Tratamentos (I − 1) SQT rat. QM T rat. σ 2 + I−1 ri τi2
i
Resı́duo (n − I) SQRes. QM Res. = s2 σ2
Total (n − 1) SQT otal -
2.9 Análises estatı́sticas
Como foi mensionado anteriormente as hipóteses de interesse a serem con-

trastadas neste modelo, são:

 H0 : τ 1 = · · · = τ I = 0
vs

H1 : τi 6= 0, para pelo menos um τi , i = 1, · · · , I
28
ou equivalentemente

 H0 : µ1 = · · · = µI = µ
vs

H1 : µi 6= µi′ , para pelo menos um par de médias (µi , µi′ ), i 6= i′ .
Comprovamos que:
1. QM Res. é um estimador não viciado para σ 2 independentemente de que
a hipótese nula se verifique;
2. Se H0 : µ1 = · · · = µI P = µ for verdadeira, isto é, se as médias forem
todas iguais a µ, então i ri (µi − µ)2 = 0 e QM T rat. é um estimador
não viciado para σ 2 . Por outro lado, se as médias dos tratamentos forem
diferentes da média geral, o valor esperado do QM T rat. é maior σ 2 . Assim
sendo, deduz-se que o contraste das hipóteses, H0 vs H1 , pode ser efetuado
comparando-se QM T rat. com QM Res.;
3. As estatı́sticas: SQT
σ2
rat.
∼ χ2(I−1) e QMσRes.
2 ∼ χ2(n−I) , além de serem
independentemente distribuı́da uma da outra.
Consequentemente, a estatı́stica
SQT rat. (I−1)QM T rat.
σ2 σ2
I−1 I−1 QM T rat.
F = SQRes. = (n−I)QM Res.
= ∼ F[(I−1); (n−I)] ,
σ2 σ2
QM Res.
n−I n−I
isto é, a estatı́stica F = QM T rat/QM Res. segue uma distribuição F de

Snedecor com (I − 1) graus de liberdade do numerador e (n − I) graus de
liberdade do denominador e será a estatı́stica utilizada para contrastar as
hipóteses H0 contra H1 . Se H0 for verdadeira, tanto o numerador como o
denominador da F são estimadores não viciados de σ 2 , enquanto que se H0
for falsa o valor esperado do QM T rat. é maior que σ 2 . Portanto, rejeita-
mos H0 quando o valor da estatı́stica F for maior que o correspondente
valor teórico da distribuição F com (I − 1) e (n − I) graus de liberdade
ao nı́vel de significância α.
4. Procedimento prático para se contrastar as hipóteses H0 vs H1 :
• Estabelecer as hipóteses a serem contrastadas:

 H0 : µ1 = µ2 = · · · = µI = µ
vs

H1 : µi 6= µi′ , para pelo menos um i 6= i′ ; i, i′ = 1, 2, · · · , I;
• calcular as somas dos quadrados, organizar a tabela da AN OV A e
encontrar o valor da estatı́stica F , conforme sugerem a Tabela 3.3
ou fórmulas (3.2), a seguir.
P 2 P yi.2
SQT otal = yij − C, SQT rat. = ri − C
i,j i (2.23)
e SQRes. = SQT otal − SQT rat., F = QM T rat
QM Res
29
Tabela 2.5: Tabela de análise da variância (AN OV A)
F. Variação GL SQ QM F
Tratamentos I-1 SQTrat. QMTrat. QMTrat./QMRes.
Resı́duo (n-I) SQRes. QMRes.=s2 -

Total n-1 SQTotal
• comparar o valor de F com F[(I−1); (n−I); α] obtido da tabela da dis-

tribuição de probabilidade F com (I − 1) graus de liberdade devidos
a tratamentos, (n − I) graus de liberdade do resı́duo ao nı́vel de
significância α;
• Regra de decisão: rejeitar H0 em favor de H1 se, e somente se,
F > F[(I−1); (n−I); α] .
• Conclusão: Se F > F[(I−1); (n−I); α] , rejeitamos a hipótese de que as

médias da variável resposta relativas aos tratamentos são todas iguais
e concluimos, ao nı́vel de significância α, que existe pelo menos um
par de médias (µi , µi′ ), i 6= i′ , que diferem estatı́sticamente entre si.
2.10 Comparações Múltiplas
Caso a hipótese H0 = µ1 = µ2 = · · · = µI = µ seja rejeitata, ao nı́vel de

significância α desejado (em geral α = 0, 05), deveremos continuar as análises
estatı́sticas, aplicando um teste de comparações múltiplas, que pode ser aquele
que o pesquisador/estatı́stico achar mais conveniente: Tukey, ou t-Student, ou
Duncan, ou Scheffé, ou Bonferroni, etc. Neste curso, trabalharemos com o teste
de Tukey, cujo procedimento utilizado para este fim, é o seguinte:
• Para contrastar as hipóteses:

 H0 : µi = µi′
vs

H1 : µi 6= µi′ , ∀ i 6= i′ e i, i′ = 1, 2, · · · , I;
• Usando os dados observados no experimento, calcular o valor da estatı́stica

de teste, ∆ = DM S, e os valores absolutos das diferenças entre as esti-
mativas das médias relativas aos tratamentos. Isto é,
s
1 1 1
∆ = DM S = q[I; (n−I); α] + s2
2 ri ri′
30
e
|ȳi − ȳi′ |, ∀ i 6= i′ e i, i′ = 1, 2, · · · , I;
• Regra de decisão: Rejeitar H0 : µi = µi′ em favor de H1 : µi 6= µi′ , se

|ȳi − ȳi′ | > ∆.
• Conclusão: Se |ȳi − ȳi′ | > ∆, rejeitamos a hipótese de que as médias µi e

µi′ são iguais e concluimos, ao nı́vel de significância α pelo teste de Tukey,
que a média µi difere estatisticamente da média µi′ .
2.11 Desdobramento da análise
Quando o pesquisador tem interesse em testar um grupo de contrastes de

médias (combinações lineares das médias), é mais eficiente e mais informa-
tivo proceder ao desdobramento dos graus de liberdade dos tratamentos dentro
da própria análise da variância ao invés de utilizar métodos de comparações
múltiplas. Porém, é recomendável que os contrastes a serem julgados pelo teste
F na análise da variância, sejam ortogonais entre si e estabelecidos no planeja-
mento do experimento.
Seja a combinação linear de médias (contraste):
I
X
Ψh = ch1 µ1 + ch2 µ2 + · · · + chI µI = chi µi
i=1
cujo estimador é
I
X
Ψ̂h = ch1 ȳ1. + ch2 ȳ2. + · · · + chI ȳI. = chi ȳi. .
i=1
Sendo Ψ̂h , uma combinação linear dos yij , os quais seguem uma distribuição
normal, então Ψ̂h , também segue uma distribuição normal e as caracterı́sticas
da distribuição são dadas por:

PI

E(Ψ̂h ) = chi µi 
 !

 I I
i=1 X X 2
2 σ
e =⇒ Ψ̂h ∼ N chi µi ; chi .
 ri
P 2 
I  i=1 i=1
V ar(Ψ̂h ) = c2hi σri 

i=1
Se os tratamentos forem igualmente repetidos, isto é, se r1 = · · · = rI = J,

teremos:
I
!
X σ2 X
Ψ̂h ∼ N chi µi ; Kh , onde Kh = c2hi .
i=1
J i
31
E segue que
PI P
I
chi ȳi. − chi µi
Ψ̂h − E(Ψ̂h ) i=1 i=1
Z= q = q ∼ N (0; 1).
Kh 2
V ar(Ψ̂h ) J σ
(h) P
I
Sob a hipótese H0 : chi µi = 0, tem-se que
i=1
2
P
I
P
I chi yi.
chi ȳi. i=1 (h)
i=1 JKh SQ(H0 )
q ∼ N (0; 1) =⇒ = ∼ χ2(1) .
Kh 2 σ2 σ2
J σ
(h)
Posto que SQ(H0 ) é independentemente dstribuı́da da SQRes, então
(h)
QM (H0 )
F = ∼ F[1; (n−I)] .
QM Res.
Procedimento:
• Os (I − 1) graus de liberdade dos tratamentos podem ser desdobrados em

(I − 1) contrastes de interesse, ortogonais entre si, cada um com 1 grau
de liberdade;
• É conveniente transformar as hipóteses de interesse em hipóteses equi-

valentes na formaPde contrastes, de modo que dado o contraste Ψh =
P I
i=1 chi µi , (com i chi = 0), a hipótese de interesse possa ser represen-
tada por H0 : Ψh = 0.
Por exemplo, seja a hipótese de interesse:
(h) µ1 + µ2 + µ3 µ4 + µ5
H0 : = ,
3 2
então, esta hipótese pode ser posta na forma equivalente, isto é:
(h)
H0 : 2µ1 + 2µ2 + 2µ3 − 3µ4 − 3µ5 = 0
ou
(h)
H0 : Ψh = 0,
onde, Ψh = 2µ1 + 2µ2 + 2µ3 − 3µ4 − 3µ5 .
Dessa forma, a estimativa do contraste será dada por:
ȳ1. + ȳ2. + ȳ3. ȳ4. + ȳ5.
ψ̂h = −
3 2
32
e a soma de quadrados da hipótese será dada por:

P
2 ( chi yi. )2
(h) (Ψ̂h )
SQ(H0 ) = = i
JKh JKh
(2y1. + 2y2. + 2y3. − 3y4. − 3y5. )2
=
J × 30
P
onde, Kh = c2hi = 22 + 22 + 22 + (−3)2 + (−3)2 = 30 e J é o número de
i
repetições por tratamento.
Exemplo 2.11.1 A Tabela 2.6 contém os dados de um experimento utilizado

por Gomez & Gomez(1984), onde os tratamentos T2 , T3 e T4 são inseticidas
em forma de pó seco e T5 , T6 e T7 em forma lı́quida.
33
Tabela 2.6: Resultados de produção (toneladas por hectare) de grãos de arroz

submetidos a diferentes inseticidas (granulados e lı́quidos)
Tratamento Repetições Total Média Variância

1 2 3 4 yi. ȳi s2i
Testemunha 1,401 1,516 1,270 1,077 5,264 1,316 0,035487
Dol-Mix (1 kg) 2,537 2,069 2,104 1,798 8,508 2,127 0,093411
Dol-Mix (2 kg) 3,366 2,591 2,211 2,544 10,712 2,678 0,238986
DDT+γ-BHC 2,536 2,459 2,827 2,386 10,208 2,552 0,037362
Azodrin 2,387 2,453 1,556 2,116 8,512 2,128 0,166678
Dimecron-Boom 1,997 1,679 1,649 1,859 7,184 1,796 0,026556
Dimecron-Knap 1,796 1,704 1,904 1,320 6,724 1,681 0,064601
57,112 2,040 0,663081
Hipóteses de interesse:
Ao planejar este experimento o pesquisador tinha interesse em contrastar as

hipóteses:

 (1)
 H0 : µ1 = µ2 = · · · = µ7 = µ
vs

 H (1) : µ 6= µ ′ , para pelo menos um i 6= i′ ; i, i′ = 1, · · · , I
1 i i
(2) µ2 +µ3 +···+µ7 (2) µ2 +µ3 +···+µ7

H0 : µ1 = 6 vs H1 : µ1 6= 6 ,
(3) µ2 +µ3 +µ4 µ5 +µ6 +µ7 (3) µ2 +µ3 +µ4 µ5 +µ6 +µ7
H0 : 3 = 3 vs H1 : 3 6= 3 ,
(4) µ2 +µ3 (4) µ2 +µ3

H0 : 2 = µ4 vs H1 : 2 6= µ4 ,
(5) (5)
H0 : µ2 = µ3 vs H1 : µ2 6= µ3 ,
(6) µ6 +µ7 (6) µ6 +µ7

H0 : µ5 = 2 vs H1 : µ5 6= 2 ,
(7) (7)
H0 : µ6 = µ7 vs H1 : µ6 6= µ7 .
Para verificação destas hipóteses precisamos calcular as somas dos quadrados
associadas a cada uma delas.
Cálculo das somas dos quadrados:

• Cálculo do fator C:
(y.. )2 (57, 112)2
C= = = 116, 4922;
n 28
34
• Cálculo da soma dos quadrados total:

X
2
SQT otal = yij −C
i,j
= (1, 401)2 + · · · + (1, 320)2 − 116, 4922

= 7, 5776;
• Cálculo da soma dos quadrados dos tratamentos:

X y2 I
i. 1X 2
SQT rat. = −C = y −C
i
ri J i=1 i.
1
= (5, 264)2 + · · · + (6, 724)2 − 116, 4922
4
= 5, 5884
• Cálculo da soma dos quadrados dos resı́duos:

SQRes. = SQT otal − SQT rat.
= 7, 5776 − 5, 5884
= 1, 9892.
Com estes resultados podemos estruturar a tabela da análise da variância e

contrastar as hipóteses:

 (1)
 H0 : µ1 = µ2 = · · · = µ7 = µ
vs

 H (1) : µ 6= µ ′ , para pelo menos um i 6= i′ ; i, i′ = 1, 2, · · · , I
1 i i
Tabela 2.7: A análise da variância

F. Variação GL SQ QM F Pr > F
(1) ∗∗
Trat.(H0 : µ1 = · · · = µI = µ) 6 5,5884 0,9314 9, 83 0,0001
Resı́duo 21 1,9892 0,0947
Total 27 7,5776
(1)
Conforme podemos observar, a hipótese H0 foi rejeitada ao nı́vel de 1%
(1)
de significância. Pois, F = 9, 83 > F[6; 21; 0,01] = 3, 81. Assim, a hipótese H1
foi aceita, o que significa dizer que existe pelo menos um contraste entre duas
médias dos tratamentos que difere estatisticamente de zero. Dessa forma, há
necessidade de continuar as análises estatı́sticas e, neste sentido, procuramos
desdobrar os graus de liberdade dos tratamentos em contrastes de interesse.
Vejamos como calcular as estimativas e as somas dos quadrados desses con-
trastes.
35
Cálculos das estimativas dos contrastes e das somas dos

quadrados das hipóteses de interesse:
P
i c2i ȳi. 6(ȳ1. ) − 1(ȳ2. ) − · · · − 1(ȳ7. )
ψ̂2 = =
1×6 6
6(1, 316) − 1(2, 217) − · · · − 1(1, 681)
= = −0, 844ton/ha;
6
2
P
I
c2i yi. 2
(2) i=1 [6(y1. ) − 1(y2. ) − · · · − 1(y7. )]
SQ(H0 ) = =
JK2 4 × 42
2
[6(5, 264) − 1(8, 508) − · · · − 1(6, 724)]
= = 2.4442;
168
P
i c3i yi.
3(ȳ2. ) + 3(ȳ3. ) + 3(ȳ4. ) − 3(ȳ5. ) − 3(ȳ6. ) − 3(ȳ7. )
ψ̂3 = =
3×3 9
(2, 127 + 2, 678 + 2, 552 − 2, 128 − 1, 796 − 1, 681)
=
3
= 0, 584ton/ha;
2
P
I
c3i yi.
(3) i=1
SQ(H0 ) =
JK3
2
[3(y2. ) + 3(y3. ) + 3(y4. ) − 3(y5. ) − 3(y6. ) − 3(y7. )]
=
4 × 54
2
[3(8, 508 + 10, 712 + 10, 208 − 8, 512 − 7, 184 − 6, 724)]
=
4 × 54
= 2, 0463;
P
i c4i ȳi.
1(ȳ2. ) + 1(ȳ3. ) − 2(ȳ4. )
ψ̂4 = =
1×2 2
1(2, 127) + 1(2, 678) − 2(2, 552)
= = −0, 150ton/ha;
2
2
P
I
c4i yi.
(4) i=1
SQ(H0 ) =
JK4
2
[1(y2. ) + 1(y3. ) − 2(y4. )]
=
4×6
2
[1(8, 508) + 1(10, 712) − 2(10, 208)]
= = 0, 0596;
24
36
X
ψ̂5 = c5i ȳi. = ȳ2. − ȳ3. = 2, 127 − 2, 678 = −0, 551ton/ha;
i
2
P
I
c5i yi.
(5) i=1 (y2. − y3. )2
SQ(H0 ) = =
JK5 4×2
(8, 508 − 10, 712)2
= = 0, 6072;
8
P
I
c6i ȳi.
i=1 2(ȳ5. ) − 1(ȳ6. ) − 1(ȳ7. )
ψ̂6 = =
1×2 2
2(2, 128) − 1(1, 796) − 1(1, 681)
= = 0, 390ton/ha;
2
2
P
I
c6i yi. 2
(6) i=1 [2(y5. ) − 1(y6. ) − 1(y7. )]
SQ(H0 ) = =
JK6 4×6
2
[2(8, 512) − 1(7, 184) − 1(6, 724)]
= = 0, 4046;
24
X
ψ̂7 = = c7i ȳi. = ȳ6. − ȳ7. = 1, 796 − 1, 681 = 0, 115ton/ha;
i
2
P
I
c7i yi.
(7) i=1 (y6. − y7. )2
SQ(H0 ) = =
JK7 4×2
(7, 184 − 6, 724)2
= = 0, 0264.
8
Com base nestes resultados, construı́mos a Tabela 2.8 que corresponde a

uma reestruturação da análise da variâncias.
Analizando-se os resultados da análise da variância apresentada na Tabela

(2)
2.8, percebemos que a hipótese H0 foi rejeitada ao nı́vel de 1% de significância,
indicando que, sob as condições em que o experimento foi instalado e conduzido,
a produção média do arroz que recebeu os defensivos utilizados foi diferente
da produção do arroz que não foi tratado com os defensivos. E, neste sentido,
observou-se que, a média estimada da produção do arroz tratado foi de 844kg/ha
(3)
a mais que o arroz não tratado. Por outro lado, a hipótese H0 também foi re-
jeitada ao nı́vel de 1% de significância. Neste caso, concluı́mos que os defensivos
em forma de pó foram mais eficientes que os defensivos na forma lı́quida, uma
vez que a estimativa do contraste encontrada foi de 584kg/ha. A rejeição da
37

F.Variação GL SQ QM F Pr > F
(2)
H0 : µ1 = µ2 +µ3 +···+µ
6
7
1 2,4442 2,4442 25, 80∗∗ 0,0001
(3)
H0 : µ2 +µ33 +µ4 = µ5 +µ36 +µ7 1 2,0463 2,0463 21, 60∗∗ 0,0001
(4)
H0 : µ2 +µ
2
3
= µ4 1 0,0596 0,0596 0,63 0,4365
(5)
H0 : µ 2 = µ 3 1 0,6072 0,6072 6, 41∗ 0,0194
(6)
H0 : µ5 = µ6 +µ2
7
1 0,4046 0,4046 4,27 0,0513
(7)
H0 : µ 6 = µ 7 1 0,0265 0,0265 0,28 0,6027
(1)
Trat. (H0 : µ1 = · · · = µ7 = µ) (6) (5,5884) 0,9314 9, 83∗∗ 0,0001
Resı́duo 21 1,9892 0,0947
Total 27 7,5776
(5)
hipótese H0 ao nı́vel de 5% de significância nos leva a concluir que a aplicação
de 2kg de Dom-Mix foi mais eficiente que a aplicação de 1, 0kg. Pois, estimou-
se que a produção média obtida com a aplicação de 2, 0kg de Dol-Mix foi de
551kg/ha a mais do que quando se aplicou 1, 0kg.
Observação: Note que, para 1 grau de liberdade do numerador, F = t2 . Por

(5)
exemplo, quando aplicamos o teste t-Student para testar a hipótese H0 ,
ao nı́vel α = 0, 05, o valor encontrado para estatı́stica de teste foi t =
√
p|ψ̂5 −0| = 2, 53 = 6, 41.
d
V ar(Ŷ4 )
Cuidado!!! Seber(1977), Kirk(1968). Para que o nı́vel de significância con-

junto seja preservado em α é necessário que cada hipótese individualmen-
te seja testada a um nı́vel de significância αs = 1 − (1 − α)1/p , em que
s = 1, 2, · · · , p e p = (I − 1) é o número de contrastes ortogonais corre-
spondentes ao número de graus de liberdade dos tratamentos. Para o nosso
exemplo, encontramos αs = 1−(0, 95)1/6 = 0, 0085. Isto é, deveremos tes-
tar as hipóteses individuais ao nı́vel de significância de 0,0085 para que o
nı́vel de significância conjunto seja preservado em 0,05. Observe que para
(5)
a hipótese H0 encontramos F = 6, 41 =⇒ P r{F[1; 21] ≥ 6, 41} = 0, 0194.
Portanto, como 0, 0194 > 0, 0085, o nı́vel de significância conjunto não
está preservado em α = 0, 05. Daı́, o motivo pelo qual se recomenda que
os contrastes a serem julgados pelo teste F na ANOVA sejam ortogonais
entre si e estabelcidos no planejamento do experimento.
2.12 Comparações Múltiplas - Teste de Tukey
É importante lembrar que os testes de comparações múltiplas preservam o

nı́vel de significância conjunto.
38
• Para contrastar as hipóteses:

H0 : µi = µi′ vs H1 : µi 6= µi′ , i 6= i′ , i, i′ = 1, · · · , I,
• Calcular, com os dados do experimento, o valor da estatı́stica ∆, a saber:

s
1 1 1
∆ = DM S = q[7; 21; 0,05] + s2
2 ri ri′
s
1 1 1
= 4, 60 + 0, 0947 = 0, 708.
2 4 4
• Regra de decisão: rejeitar H0 : µi = µi′ , ao nı́vel de 5% de significância

se, e somente se, |ȳi − ȳi′ | > 0, 708.
Para o exemplo em questão, comparamos todos os possı́veis contrastes entre
duas médias pelo teste de Tukey, ao nı́vel de 5% de significância, e apresentamos
na tabela a seguir:
∆ = 0, 708
ȳ1 ȳ2 ȳ3 ȳ4 ȳ5 ȳ6
Médias 1,316 2,127 2,678 2,552 2,128 1,796
ȳ2 = 2, 127 S -
ȳ3 = 2, 678 S NS -
ȳ4 = 2, 552 S NS NS -
ȳ5 = 2, 128 S NS NS NS -
ȳ6 = 1, 796 NS NS S S NS -
ȳ7 = 1, 681 NS NS S S NS NS
S - Quando o valor absoluto da diferença entre a média da coluna i, (ȳi ) e
a média da linha i′ , (ȳi′ ) é maior que ∆ = 0, 708, atribui-se a letra S
e conclui-se que o contraste entre as médias µi e µi′ é estatisticamente
significativo, ao nı́vel de 5% de probabilidade.
NS - Quando o valor absoluto da diferença entre a média da coluna i, (ȳi ) e a
média da linha i′ , (ȳi′ ) não é maior que ∆ = 0, 708. atribui-se as letras N S
e conclui-se que o contraste entre as médias µi e µi′ não é estatisticamente
significativo, ao nı́vel de 5% de probabilidade.
Uma forma alternativa de apresentar os resultados das comparações das
médias é o seguinte:
ȳ3 = 2, 678 a
ȳ4 = 2, 552 a
ȳ5 = 2, 128 a b
ȳ2 = 2, 127 a b
ȳ6 = 1, 796 b c
ȳ7 = 1, 681 b c
ȳ1 = 1, 316 c
39
donde, se depreende que, as médias seguidas das mesmas letras não diferem
estatisticamente entre si, ao nı́vel de 5% de probabilidade pelo teste de Tukey.
2.13 Comprovação da idoneidade do modelo
Para que o tipo de análise que acabamos de realizar fosse possı́vel, admitimos
que:
a) Cada observação yij pode ser descrita pelo modelo aditivo:
yij = µ + τi + εij , i = 1, · · · , I e j = 1, · · · , ri
b) Os erros εij são variáveis aleatórias independentes e identicamente dis-

tribuı́das como uma normal de média zero e variância σ 2 . Isto é,
iid
εij ∼ N (0, σ 2 ).
Isso é verdade?????
Antes de concluirmos sobre os achados da pesquisa é necessário validar
o modelo. Ou seja, é preciso comprovar que as suposições impostas às ob-
servações yij e aos erros εij são válidas. Sem isso, as nossas conclusões serão
dúbias e poderemos correr o risco de concluir erroneamente sobre o que estamos
pesquisando. Ou melhor, uma pesquisa que não valida o modelo suposto para
descrever os dados não é digna de crédito.
Os resı́duos constituem a principal ferramenta para comprovar as suposições
proposto para descrever os dados. Se yij = µ + τi + εij é apropriado, os resı́duos
observados eij refletirão as propriedades exigidas para as perturbações εij . Esta
é a idéia básica na análise dos resı́duos. Assim, se as hipóteses relativas ao
modelo estão corretas os resı́duos variarão aleatoriamente. Ao contrário, se
descobrirmos que os resı́duos apresentam tendências sistemáticas inexplicáveis,
deveremos desconfiar da validez do modelo.
2.13.1 Obtenção dos resı́duos
Dadas as observações experimentais:
y11 , · · · , y1r1 , y21 , · · · , y2r2 , · · · , · · · , yI1 , · · · , yIrI ,
então, cada observação yij pode ser escrita como
yij = m + ti + eij , (i = 1, · · · , I e j = 1. · · · , ri ).
40
Utilizando o método dos mı́nimos quadrados, encontramos os estimadores

para as caracteı́sticas na população, conforme pode ser observado na tabela 2.9.
Tabela 2.9: Caracterı́sticas populacionais e estimadores
Caracterı́stica Estimador da
na população caracterı́stica
µ m = ȳ..
τi ti = ȳi. − ȳ..
E(yij ) = µ + τi = µi ŷij = m + ti = ȳi.
εij eij = yij − ŷij = yij − ȳi.
σ2 s2 = QM Res.
Por outro lado, se as suposições acerca do modelo estão corretas, deveremos

ter:
iid eij iid
eij ≈ N (0, σ 2 ) e zij = √ ≈ N (0, 1).
s2
E, segue que,
P r(−1 ≤ zij ≤ 1) ≈ 0, 6820
P r(−2 ≤ zij ≤ 2) ≈ 0, 9544
P r(−3 ≤ zij ≤ 3) ≈ 0, 9974.
Considerando os dados do exemplo 2.11.1, encontramos:


 t1 = 1, 316 − 2, 040 = −0, 724

 t2 = 2, 127 − 2, 040 = +0, 087
m = ȳ.. = 2, 040, ti = ȳi. − ȳ.. =⇒ ..

 .


t7 = 1, 681 − 2, 040 = −0, 359.
Na Tabela 5.6 apresentamos, para o exemplo 2.11.1, os valores observados

yij , os resı́duos
√ estimados eij = yij − ȳi. e os resı́duos padronizados estimados
zij = eij / s2 .
41
Tabela 2.10: Valores observados yij e resı́duos estimados eij e zij .
Repetições
Trat. R1 R2 R3 R4 ŷij = ȳi.
y1j 1,401 1,516 1,270 1,077 1,316
T1 e1j 0,085 0,200 -0,046 -0,239
z1j 0,2765 0,6506 -0,1496 -0,7775
y2j 2,537 2,069 2,104 1,798 2,127
T2 e2j 0,410 -0,058 -0,023 -0,329
z2j 1,3337 -0,1887 -0,0748 -1,0702
y3j 3,366 2,591 2,211 2,544 2,678
T3 e3j 0,688 -0,087 -0,467 -0,134
z3j 2,2381 -0,2830 -1,5191, -0,4359
y4j 2,536 2,459 2,827 2,386 2,552
T4 e4j -0,016 -0,093 0,275 -0,166
z4j -0,0520 -0,3025 0,8946 -0,5400
y5j 2,387 2,453 1,556 2,116 2,128
T5 e5j 0,259 0,325 -0,572 -0,012
z5j 0,8425 1,0572 -1,8607 -0,0390
y6j 1,997 1,679 1,649 1,859 1,796
T6 e6j 0,201 -0,117 -0,147 0,063
z6j 0,6538 -0,3806 -0,4782 0,2049
y7j 1,796 1,704 1,904 1,320 1,681
T7 e7j 0,115 0,023 0,223 -0,361
z7j 0,3741 0,0748 0,7254 -1,1743
As suposições serão verificadas por dois métodos: Análise gráfica dos resı́duos
e testes de hipóteses sobre os erros.
42
2.13.2 Análise dos resı́duos
Em geral, este procedimento consiste em representar graficamente os resı́duos

padronizados zij de várias formas, a saber:
a) Gráficos dos resı́duos na forma de Ramo-e-folha ou na forma de histograma

das freqüências;
b) Gráfico dos resı́duos contra a ordem de obtenção dos dados (tempo);
c) Gráfico dos resı́duos contra ŷij ;
d) Gráfico dos resı́duos contra xij (ou tratamentos);
e) Gráfico em qualquer direção que seja sensı́vel ao problema considerado.

O gráfico dos resı́duos eij (ou resı́duos padronizados zij ) contra os valores
ajustados pode apresentar um dos aspectos sugeridos pela Figura 2.1:
Figura 2.1: Gráficos dos resı́duos eij (ou zij ) contra ŷij
43
O Modelo é ideal para a ANOVA
Se o modelo associado aos dados é adequado, os resı́duos variarão aleatori-

amente e o gráfico dos resı́duos contra os valores ajustados terá uma aparência
próxima daquela sugerida pelo gráfico (a) da Figura 2.1.
Heterogeneidade das variâncias
Quando as variâncias são heterogêneas o gráfico de zij contra ŷij apresenta

um dos aspectos sugeridos pelos gráficos (e), (f) e (g) da Figura 2.1.
A não independência dos erros
Se há dependência entre os erros o gráfico de zij contra ŷij tem um aspecto
parecido com um dos gráficos da Figura 2.2
Figura 2.2: Gráfico dos resı́duos dij = zij contra ŷij , apresentando evidência
de autocorrelação
44
Presença de dados anômalos (outliers)
Se no conjunto de dados houver algum dado discrepante o gráfico dos resı́-

duos zij contra ŷij o identificará. Observe o gráfico (d) da Figura 2.1.
A ausência de normalidade
Para este fim, poderemos observar os seguintes gráficos:

i) Ramo-e-folha e histograma das freqüências. Fazer os gráficos dos reı́duos zij
e verificar se os mesmos não têm forma de sino com centro em zero.
ii) Gáfico de probabilidade normal. Plotar os resı́duos ordenados z(i) contra

[i − 1/2]/n no papel de probabilidade normal e observar se este não se
aproxima de uma reta.
Obs.: Caso os gráficos de Ramo-e-folha e histograma das freqüências tenham

forma de sino com centro em zero e o Gáfico de probabilidade normal
aproxime-se de uma reta, não teremos motivos para suspeitar da violação
da normalidade dos erros.
Gráficos dos resı́duos do exemplo de referência
Na Figura 2.3 encontram-se os gráficos dos resı́duos zij contra os valores

estimados ŷij e o gráfico de probabilidade normal, relativos ao dados do exemplo
2.11.1. Conforme se pode observar no primeiro, os resı́duos variam aleatoria-
mente, indicando que o modelo yij = µ + τi + εij é adequado para descrever
os dados e no segundo gráfico observa-se que o gráfico de probabilidade normal
aproxima-se de uma reta, evidenciando que os resı́duos seguem uma distribuição
normal.
45
2
1
Resíduos padronizados
0
−1
−2
1.4 1.6 1.8 2.0 2.2 2.4 2.6
Valores ajustados
0.6
0.4
0.2
Resíduos
0.0
−0.2
−0.4
−0.6
−2 −1 0 1 2
Theoretical Quantiles
Figura 2.3: Gráficos dos resı́duos padronizados contra valores estimados e

gráfico normal de probabilidade
46
A seguir, abordaremos alguns testes de hipóteses sobre o modelo adotado

para os dados, bem como, para os erros.
Testes para verificação da homogeneidade das variâncias
Existem vários testes para verificar a homogeneidade das variâncias, dentre

outros, apresentaremos os testes de Hartley, Cochran e Bartlett. Estes testes são
baseados nas suposições de que os dados são provenietes de populações normais,
independentes e que o número de repetições por tratamento é o mesmo. Isto
é, r1 = r2 = · · · = rI = J. Porém, se o número de repetições por tratamentos
forem diferentes os testes de Hartley e Cochran poderão ser aplicados, sendo
que os resultados serão apenas aproximados.
1. Teste de Hartley (1950)
Para contrastar as hipóteses,


 H0 : σ12 = · · · = σI2 = σ 2
vs

H1 : σi2 6= σi2′ , para i 6= i′ e i, i′ = 1, · · · , I.
Calculamos:
Máx(s2i )
Hexp =
Mı́n(s2i )
e comparamos o valor de Hexp com o percentil (1 − α)100 da distribuição
de H, isto é, H[I; (J−1); (1−α)] . Tais valores encontram-se tabelados por
Pearson & Hartley, para I tratamentos, (J − 1) graus de liberdade
de cada variância amostral s2i e nı́vel de significância α. Daı́, adotamos a
seguinte regra de decisão:
• Rejeitar H0 , ao nı́vel de significância α se, Hexp > H[I; (J−1); (1−α)] ,

• Aceitar H0 , ao nı́vel de significância α se, Hexp ≤ H[I; (J−1); (1−α)] .
Nota:PSe o número de repetições por tratamento for diferente, então,

J = I1 i ri ou simplesmente, J = rmax +r
2
min
.
Para o exemplo 2.11.1, Máx(s2i ) = s23 = 0, 238986 e Mı́n(s2i ) = s26 =
0, 026556. Portanto,
Máx(s2i ) s23 0, 238986

H= 2 = 2 = = 8, 999.
Mı́n(si ) s6 0, 026556
Como Hexp = 8, 999 < H[7; 3; 0,05] = 72, 9. Não rejeitamos H0 , ao nı́vel de
5% de significância e concluı́mos que as variâncias são homogêneas.
47
2. Teste de Cochran (1947)
Para contrastar as hipóteses,


 H0 : σ12 = · · · = σI2 = σ 2
vs

H1 : σi2 6= σi2′ , para i 6= i′ e i, i′ = 1, · · · , I.
Calculamos:
s2(M áx)
Cexp = P 2
i si
Comparamos com o valor do percentil (1 − α)100 da distribuição de C, ou

seja, C[I; (J−1); (1−α)] . Tais valores foram tabelados por Cochran, para
I tratamentos, (J − 1) graus de liberdade de cada variância amostral e
nı́vel de significância α. Tal como no teste de Hartley, se oPnúmero
de repetições por tratamento forem diferentes, então, J = I1 i ri ou
simplesmente, J = rmax +r 2
min
. A regra de decião é a seguinte:
• Rejeitar H0 , ao nı́vel de significância α se, Cexp > C[I; (J−1); (1−α)] ,
• Aceitar H0 , ao nı́vel de significância α se, Cexp ≤ C[I; (J−1); (1−α)] .
Para o nosso exemplo, tem-se
s2(M áx) 0, 238986
Cexp = P 2 = = 0, 360.
s
i i 0, 663081
Como Cexp = 0, 360 < C[7; 3; 0,99] = 0, 568, não rejeitamos H0 , ao nı́vel de
5% de significância, e concluı́mos que as variâncias são homogêneas.
3. Teste de Bartlett (1937)

 H0 : σ12 = · · · = σI2 = σ 2
vs

H1 : σi2 6= σi2′ , para i 6= i′ e i, i′ = 1, 2, · · · , I
Calculamos:
 P 
1  X ( y )2
j ij 
s2i = y2 − , i = 1, · · · , I,
ri − 1 j ij ri
1 X X
MA = (ri − 1)s2i , onde, n= ri
n−I i i
e q
MG = n−I
(s21 )r1 −1 (s22 )r2 −1 · · · (s2I )rI −1 .
48
Sabemos que, para qualquer conjunto de valores, a média geométrica é

sempre menor qua a média aritmética, quer dizer, M G ≤ M A, verificando-
se a igualdade apenas quando todos os valores envolvidos forem iguais.
Aplicando tal propriedade, tem-se que:
MA
• Se M G aproxima-se de 1, temos evidência de que as variâncias popu-
lacionais são iguais;
MA
• se M G for grande, há evidência de que as variâncias populacionais
são desiguais.
MA
Pode-se pensar de modo similar que loge MG = loge (M A) − loge (M G).
Bartlett demonstrou que se as I amostras aleatórias são provenientes
de populações normais independentes, a estatı́stica
n−I
B= [loge (M A) − loge (M G)] ,
C
segue, sob H0 e para tamanho de amostras grandes, uma distribuição de
qui-quadrado com (I − 1) graus de liberdade, onde
" I #
1 X 1 1
C =1+ − .
3(I − 1) i=1 ri − 1 n − I
Para facilitar os cálculos, esta estatı́stica também pode ser escrita como:
" I
#
1 X
2
B= (n − I) loge (M A) − (ri − 1) loge si .
C i=1
Considerando o dados do exemplo 2.11.1, temos:

s2i loge s2i
s21 = 0, 035487 loge s21 = −3, 338589
s22 = 0, 093411 loge s22 = −2, 370746
s23 = 0, 238986 loge s23 = −1, 431350
s24 = 0, 037362 loge s24 = −3, 287101
s25 = 0, 166678 loge s25 = −1, 791691
s26 = 0, 026556 loge s26 = −3, 628500
s27 = 0, 064601 loge s27 = −2, 739525
P
7 P
7
s2i = 0, 663081 log s2i = −18, 587502
i=1 i=1
7
1 X X
MA = (ri − 1)s2i , onde, n= ri = 28
n − I i=1 i
7 7
1 X 3 X 2
= (4 − 1)s2i = s
28 − 7 i=1 21 i=1 i
0, 663081
= = 0, 094726.
7
49
" I #
1 X 1 1
C = 1+ −
3(I − 1) i=1 ri − 1 n − I

1 7 1
= 1+ − = 1, 126984.
3 × 6 3 21
e
" I
#
1 X
2
Bexp = (n − I) loge (M A) − (ri − 1) loge si
C i=1
" I
#
1 X
= 21 loge (0, 094726) − 3 loge s2i
1, 126984 i=1
1
= [21 loge (0, 094726) − 3(−18, 587502)] = 5, 564.
1, 126984
Regra de decisão:
• Rejeitar H0 se, e somente se, Bexp > χ2[(I−1) ; α]
• Aceitar H0 se, e somente se, Bexp ≤ χ2[(I−1) ; α] .
Portanto, como Bexp = 5, 564 < χ2[6; 0,05] = 12, 60, não rejeitamos H0
e conclı́mos, ao nı́vel de significância de 5%, que as variâncias são ho-
mogêneas.
4. Existem outros testes: Levene(1974), Han(1969), etc...
Teste para verificar a independência dos erros

O efeito da dependência entre os resı́duos pode ser um problema muito grave e
difı́cil de corrigir, por isso é importante prevenı́-lo quando os dados estão sendo
recolhidos. O método mais eficiente para prevenir a dependência é adotar um
procedimento apropriado de aleatorização.
1. Teste de Durbin-Watson
Calcula-se o coeficiente de autocorrelação de primeira ordem ρ̂ e a estatı́stica

de teste d de Durbin-Watson:
Pn Pn 2
t=2 et et−1 t=2 (et − et−1 )
ρ̂ = e d =
(n − 1)s2 (n − I)s2
O coeficiente de autocorrelação ρ, varia de −1 a +1. E, conforme Hoffmann
& Vieira(1998), para n bastante grande d = 2(1 − ρ̂). Então,
Se ρ̂ → +1 =⇒ d → 0, (existe autocorrelação positiva),

Se ρ̂ → −1 =⇒ d → 4, (existe autocorrelação negativa),
Se ρ̂ → 0 =⇒ d → 2, (não há autocorrelação).
50
Assim, para testar a hipótese ao nı́vel de significância α:

(1)
H0 :ρ=0 vs H1 : ρ > 0.
(1)
• Se d < dL , rejeita-se H0 ,
(1)
• Se d > dU , não se hejeita H0 ,
• Se dL < d < dU , o resultado é inconclusivo.
onde, dL e dU são valores crı́ticos do teste de Durbin-Watson tabelados para
diferentes valores de n e p = número de variáveis independentes e nı́veis de
significância de 1% e 5%. (ver Hoffmann & Vieira(1998), pg.: 371-372).
Para testar a hipótese ao nı́vel de significância α:
(2)
H0 :ρ=0 vs H1 : ρ < 0.
(2)
• Se d > 4 − dL , rejeita-se H0 ,
(2)
• Se d < 4 − dU , não se hejeita H0 ,
• Se 4 − dU < d < 4 − dL , o resultado é inconclusivo.
Para o nosso exemplo de referência, encontramos(PROC GLM/SAS):

dL = 0, 70 ⇒ 4 − dL = 3, 30
ρ̂ = −0, 2845, d = 2, 50, e para α = 0, 05
dU = 1, 83 ⇒ 4 − dU = 2, 17.
(1)
Portanto, não rejeitamos H0 e o resultado do teste é inconclusivo para verificar
(2)
H0 , (α = 0, 05).
Os autores afirmam que o teste de Durbin-Watson é apropriados para
dados em seqüência no tempo. Uma forma de resolver o problema da autocor-
relação entre os resı́duos é incluir no modelo o fator tempo. Os autores afirmam
ainda, que para I, J ≥ 4 ou quando n é muito grande comparado com I os
efeitos das correlações são negligenciáveis.
Teste para verificação de valores anômalos (outlier’s)

.
Não há nenhum teste formal para se detectar valores anômalos.

Já sabemos que se o modelo é adequado para os dados, então,

 P r(−1 < zij < +1) ≈ 0, 68
zij ≈ N (0, 1) =⇒ P r(−2 < zij < +2) ≈ 0, 95

P r(−3 < zij < +3) ≈ 0, 99
Dessa forma, se zij < −3 ou zij > +3 deveremos suspeitar da observação
correspondente.
Uma forma de resolver o problema do outlier é eliminar do conjunto de
dados e refazer as análises.
51
Testes para verificação da normalidade dos erros

1. Teste do qui-quadrado
Se o número de observações é suficientemente grande, podemos aplicar um
teste de aderência. Isto é, para contrastar as hipóteses:
H0 : os erros seguem distribuição normal

H1 : os erros não seguem distribuição normal
Estabelecemos a distribuição das freqüências dos zij em intervalos de classe

e, calculamos
Xk
(F oi − F ei )2
X2 = ,
i=1
F ei
onde F oi é a freqüência observada na classe i e F ei é a respectiva freqüên-
cia esperada sob a hipótese de que zij ∼ N (0, 1).
Sob H0 , X 2 ∼ χ2[K] .
Rejeitamos H0 , ao nı́vel de significância α, se X 2 ≥ χ2[K, α] .
2. Teste de Lilliefors (1967) Para contrastar as hipóteses
H0 : Os erros têm distribuição normal

H1 : Os erros não têm distribuição normal
Procedimento:
• Ordenar os zij em ordem crescente, obtendo-se:
z(1) ≤ z(2) ≤ · · · ≤ z(n) .
• Obter F (z(i) ) = proporção de valores esperados ≤ z(i) . Isto é, Φ(z(i) ) e

o correspondente S(z(i) ) = proporção de valores obtidos ≤ x(i) . Isto
é, S(z(i) ) = K/n, onde K é o número de ordem (i).

• Calcular D = Supz(i) [F (z(i) ) − S(z(i) )], [F (z(i) ) − S(z(i−1) )] de
cada par.
Rejeitamos H0 ao nı́vel de significância α se D ≥ d. Os valores da
distribuição de d encontrm-se tabelados no livro de Humberto de
Campose.
3. Teste de Shapiro-Wilk
H0 : Os erros têm distribuição normal

H1 : Os erros não têm distribuição normal
O PROC UNIVARIATE DO SAS com declaração NORMAL PLOT re-

torna o valor da estatı́stica W de Shapiro-Wilk.
Se Wc ≥ W rejeitamos H0 ao nı́vel de significância α.
52
2.13.3 Transformaçõs nos dados

Caso seja identificada a violação de uma ou mais suposições acerca do modelo,
faz-se necessário adotar uma das seguintes medidas corretoras: 1) Modificar o
modelo proposto para descrever os dados. Esta atitude pode levar a análises
estatı́sticas extremamente complexas; 2) Fazer uma transformação adequada
dos dados; 3) quando a dificuldade básica é a falta de normalidade, deveremos
aplicar algum teste estatı́stico não-paramétrico, tal como, o teste da mediana,
o teste de Kruskal-Wallis, teste de Friedman, etc.
A seguir, de modo extremamente resumido, apresentaremos os tipos de trans-
formação utilizadas para corrigir a falta de normalidade e para estabilizar a
variância.
Transformações para estabilizar a variância

a) Quando σy2 for proporcional a µ
√
y∗ = y,
b) Quando σy for proporcional a µ
y ∗ = log y,
c) Quando σy for proporcional a µ2

1
y∗ = ,
y
d) De modo geral, quando σy ∝ µα
y ∗ = y 1−α .
Assim, em resumo, teremos:
Relação entre
σy e µ α λ=1−α Transformação
σi = Kµ2i 2 -1 Recı́proca
3/2
σi = Kµi 3/2 -1/2 Inversa da raiz
σi = Kµi 1 0 Logarı́tmica
σi = Kµ1/2 1/2 1/2 Raiz quadrada
σi = K 0 1 Não transformar
Transformações para corrigir a falta de normalidade

a) Se yij ∼ bin(ni , pi ), então:
p
∗ yij + 3/8
yij = arcsen p
ri + 3/4
53
b) Se yij ∼ P oisson(λ), então:

∗ √ ∗
p
yij = yij ou yij = yij + 1
c) Se yij ∼ Lognorma, então:

∗
yij = log yij
d) Transformação de Box & Cox(1964)

 (y +m)−1
 ij λ , se λ 6= 0
(λ)
yij = −→ (estabiliza variância)

ln(yij + m), se λ = 0
 λ

 yijλ−1 , se λ 6= 0
(λ)
yij = −→ (normaliza os dados).

 ln y , se λ = 0
ij
54
2.14 Experimento inteiramente casualizado com

nı́veis quantitativos do fator tratamento.
Exemplo 2.14.1 (Bussab, W. O. & Morettin, P. A. (2004), p. 213.)
Para estudar o tempo de reação a um estı́mulo visual foram considerados 20
indivı́duos com idade entre 20 e 40 anos. Os resultados observados dos tempos
de reação ao estı́mulo visual, para cada indivı́duo, encontram-se na Tabela 2.16.
Tabela 2.11: Tempo de reação a um estı́mulo visual em função da idade

Tratamentos Indivı́duos Total Média
(idade em anos) 1 2 3 4 (yi. ) (ȳi. )
T1 = 20anos 96 92 106 100 394 98,50
T2 = 25anos 98 104 110 101 413 103,25
T3 = 30anos 116 106 109 100 431 107,75
T4 = 35anos 112 105 118 108 443 110,75
T5 = 40anos 113 112 127 117 469 117,25
Soma - - - - 2150 107,50
Fazer as análises estatı́sticas dos dados.

Inicialmente calculamos a correção para média, isto é,
(y.. )2 (2150)2
C= = = 231125, 00;
n 5×4
e em seguida as somas dos quadrados:
X
2
SQT otal = yij −C
i,j
= (96)2 + (92)2 + · · · + (117)2 − 231125, 00 = 1373, 00;
X y2 I
i. 1X 2
i
ri J i=1 i.
1
= [(394)2 + · · · + (469)2 ] − 231125, 00 = 819, 00;
4
SQRes. = SQT otal − SQT rat. = 1373, 00 − 819, 00 = 554, 00.
A análise da variância
Para contrastar a hipótese de igualdade das médias contra a hipótese alter-
nativa, isto é,
(1) (1)
H0 : µ1 = µ2 = · · · = µ5 = µ vs H1 : µi 6= µi′ , para algum i 6= i′ ,
55
Fvariação GL SQ QM F
(1)
Trat.(H0 : µ1 = · · · = µ5 = µ) 4 819,00 204,75 5, 54∗∗
Resı́duo 15 554,00 36,93 -
Total 19 1373,00 - -
utilizaremos a análise da variância, cujos resultados encontram-se na Tabela

2.17.
A tabela da distribuição F com 4 graus de liberdade do numerador e 15
graus de liberdade do denominador, ao nı́vel de 1% de significância, nos fornece
F[4; 15; 0,01] = 4, 89. Assim, como F = 5, 54 > F[4; 15; 0,01] = 4, 89, então rejeita-
(1)
mos a hipótese H0 e concluı́mos, ao nı́vel de 1% de significância que existe pelo
menos um contraste entre duas médias dos tratamentos que é estatı́sticamente
significativo. Podemos concluir também, que o efeito da idade sobre o tempo
de reação ao estı́mulo visual é estatı́sticamente significativo ao nı́vel de 1% de
probabilidade.
Para dar sequência às análises estatı́sticas do experimento, deveremos des-
dobrar os 4 graus de liberdade dos tratamentos em componentes polinomiais de
primeiro a quarto graus, cada um com 1 grau de liberdade. Tal desdobramente
deve-se ao fato de que os nı́veis do fator tratamento (Idade) são quantitativos
e é mais informativo estudar o comportamento do tempo de reação ao estı́mulo
visual em relação à idade. A técnica consiste de assumir a priori que os tempos
de reação podem ser escritos por um modelo polinomial de grau (I − 1). Para
este exemplo, teremos:
Yi = β0 + β1 Xi + β2 Xi2 + β3 Xi3 + β4 Xi4 + ǫi , i = 1, 2, · · · , n.
A nossa tarefa, em termos de análises estatı́sticas, é contrastar as hipóteses,
H0 : βg = 0 vs H1 : βg 6= 0, para g = 1, 2, 3, 4.
e em seguida selecionar o modelo que descreve a variável resposta adequadamen-

te em função das rejeições das hipóteses H0 : βg = 0, com g = 1, 2, · · · , (I − 1).
Para este fim, utilizaremos a técnica dos polinômios ortogonais, cujas somas
dos quadrados são calculadas da seguinte forma:
5 2 5 2
P P
cgi yi. cgi yi.
SQ(Comp. g o
i=1 i=1
¯ grau) = JKg
ou SQ(H0 : βg = 0) =
JKg
onde, os valores dos coeficientes cgi encontram-se tabelados para o número de

nı́veis equidistantes do fator em estudo. Os detalhes da teoria sobre polinômios
ortogonais serão estudados posteriormente.
56
Para o exemplo que estamos considerando, os nı́veis do fator tratamento são

equidistantes, ou seja, as distâncias entre as idades consideradas no experimento
são todas iguais a 5 anos: 20, 25, 30, 35 e 40. E, de acordo com Gomes, F. P.
1985, pg. 243-251, os coeficientes são dados pela Tabela 2.18.
Tabela 2.13: Coeficientes dos polinômios ortogonais para 5 nı́veis
Tratamentos Coeficientes Total

(Idade em anos) c1i c2i c3i c4i yi.
20 -2 +2 -1 +1 394
25 -1 -1 +2 -4 413
30 0 -2 0 +6 431
35 +1 -1 -2 -4 443
40 +2 +2 +1 +1 469
Kg 10 14 10 70
5 35
Mg 1 1 6 12
De posse das informações contidas na Tabela 2.18 podemos calcular as somas

dos quadrados de cada componente, a saber:
2
P
5
c1i yi.
SQ(Comp. 1o
¯ grau) =
i=1
JK1
[−2(394) − 1(413) + 0(431) + 1(443) + 2(469)]2
=
4 × 10
= 810, 0000;
5 2
P
c2i yi.
SQ(Comp. 2o
¯ grau) =
i=1
JK2
[2(394) − 1(413) − 2(431) − 1(443) + 2(469)]2
=
4 × 14
= 1, 1429;
5 2
P
c3i yi.
SQ(Comp. 3o
¯ grau) =
i=1
JK3
[−1(394) + 2(413) + 0(431) − 2(443) + 1(469)]2
=
4 × 10
= 5, 6250;
5 2
P
c4i yi.
SQ(Comp. 4o
¯ grau) =
i=1
JK4
57
[1(394) − 4(413) + 6(431) − 4(443) + 1(469)]2

=
4 × 70
= 2, 2321.
Usando a notação SQ(H0 : βg = 0) em lugar de SQ(Comp. g o¯ grau), reestru-

(.)
turamos a análise da variância, cujos resultados encontram-se na tabela 2.19.

(2)
H0 : β1 = 0 1 810,00 810,00 21, 93∗∗
(3)
H0 : β2 = 0 1 1,14 1,14 0,03
(4)
H0 : β3 = 0 1 5,63 5,63 0,15
(5)
H0 : β4 = 0 1 2,23 2,23 0,06
(1)
Trat.(H0 : µ1 = · · · = µ5 = µ) (4) (819,00) 204,75 5, 54∗∗
Resı́duo 15 554,00 36,93 -
Total 19 1373,00 - -
De acordo com a Tabela 2.19, os valores obtidos para a estatı́stica F rela-

(3) (4) (5)
tivos às hipóteses H0 , H0 e H0 foram todos inferiores ao valor crı́tico da
distribuição F , ao nı́vel de 5% de significância, ou seja, F[1; 15; 0,05] = 4, 54. Isto
indica que os componentes polinomiais de segundo, terceiro e quarto graus são
todos estatisticamente nulos. Por isso, as somas dos quadrados dos componen-
tes de segundo, terceiro e quarto graus podem ser reunidas em uma só, com 3
(6)
graus de liberdade, o qual denotaremos por SQ(H0 : β2 = β3 = β4 = 0). Isto
é,
(6) (3) (4)
SQ(H0 : β2 = β3 = β4 = 0) = SQ(H0 : β2 = 0) + SQ(H0 : β3 = 0) +
(5)
SQ(H0 : β4 = 0)
= 1, 14 + 5, 63 + 2, 23 = 9, 00.
Com este resultado, a nova tabela da análise da variância fica:

(2)
H0 : β1 = 0 1 810,00 810,00 21, 93∗∗
(6)
H0 : β2 = β3 = β4 = 0 3 9,00 3,00 0,08
(1)
Trat.(H0 : µ1 = · · · = µ5 = µ) (4) (819,00) 204,75 5, 54∗∗
Resı́duo 15 554,00 36,93 -
Total 19 1373,00 - -
(6)
Conforme podemos observar a hipótese H0 também não foi rejeitada ao
nı́vel de 5% de significância.
58
(2)
Por outro lado, o valor obtido para a estatı́stica F relativo a hipótese H0
foi F = 21, 93, o qual é maior que F[1; 15; 0,01] = 8, 68. Assim sendo, rejeitamos a
(2)
hipótese H0 e concluı́mos ao nı́vel de 1% de significância que o componente de
primeiro grau não é nulo e o modelo apropriado para estimar o comportamento
médio do tempo de reação ao estı́mulo visual em relação a idade é um polinômio
do primeiro grau. Isto é,
Ŷ = Ê(Y |x) = β̂0 + β̂1 x, 20 ≤ x ≤ 40.
em que β̂0 e β̂1 serão obtidos de acordo com as técnicas dos polinômios ortogo-
nais, conforme se segue.
O polinômio, até um certo grau g, tem a seguinte expressão:
Ŷi = Ȳ + B1 M1 P1 + B2 M2 P2 + · · · + Bg Mg Pg , (i = 1, 2, · · · , I)
onde,
P P P P
yi. c1i yi. c2i yi. cgi yi.
Ȳ = IJ ;
i
B1 = i
JK1 ; B2 = i
JK2 ; · · · ; Bg = i
JKg .
As constantes Mg e Kg são obtidas das tabelas dos polinômios ortogonais, e Ŷ

é o estimador do tempo médio de reação oa estı́mulo visual relativa a idade x e
Pg são os polinômios de grau g, em que:
I 2 −1 3I 2 −7
P1 = x; P2 = x2 − 12 ; P3 = x3 − 20 x; ··· e
Xi −X̄
x= q , (por exemplo).
onde, Xi são os nı́veis do fator e q é a equidistância entre os nı́veis.

Para o nosso exemplo, precisamos estimar um modelo do primeiro grau e
para tal, calculamos:
P P
i yi. 2150 c1i yi. 180
Ȳ = = = 107, 5; B1 = i = = 4, 5
IJ 5×4 JK1 4 × 10
e o polinômio P1 = x = Xi q−X̄ = Xi −30

5 .
Portanto, fazendo as devidas substituições, teremos:

Xi − 30
Ŷi = Ȳ + B1 M1 P1 = 107, 5 + 4, 5 × 1 × = 80, 5 + 0, 9Xi .
5
Portando, uma estimativa do tempo médio de reação ao estı́mulo visual para

uma dada idade X = x é dada por:
Ê(Y |X = x) = ŷ = 80, 5 + 0, 9x, 20 ≤ x ≤ 40.

59
125
120
Tempo de reação ao estímulo visual
115
110
105
100
95
20 25 30 35 40
Idade
Figura 2.4: Comportamento médio do tempo de reação ao estı́mulo visual em

relação a idade, estimado pelo modelo: Ŷ = 80, 5 + 0, 9X.
60
Exemplo 2.14.2 A tabela a seguir apresenta os valores observados de um ex-

perimento utilizado por Ye, W. M. M. (2008), pg. 252. O experimento teve
com objetivo, estudar o efeito da temperatura sobre a quantidade de um com-
posto quı́mico dissolvido em cem gramas de água.
Temperatura Repetição Total Média

(o C) 1 2 3 (yi. ) (ȳi. )
T1 = 00 8 6 8 22 7,3
T2 = 15 12 10 14 36 12,0
T3 = 30 25 21 24 70 23,3
T4 = 45 31 33 28 92 30,7
T5 = 60 44 39 42 125 41,7
T6 = 75 48 51 44 143 47,6
Total - - - 488 27,1
Sabendo-se que os totais dos tratamentos, as constantes Kg e Mg e os coefi-

cientes dos polinômios ortogonais para 6 nı́veis encontram-se na tabela a seguir,
Tratamentos Coeficientes Totais

(Ti ) c1i c2i c3i c4i c5i (ȳi. )
T1 = 00 -5 +5 -5 +1 -1 22
T2 = 15 -3 -1 +7 -3 +5 36
T3 = 30 -1 -4 +4 +2 -10 70
T4 = 45 +1 -4 -4 +2 +10 92
T5 = 60 +3 -1 -7 -3 -5 125
T6 = 75 +5 +5 +5 +1 +1 143
Kg 70 84 180 28 252 488
3 5 7 21
Mg 2 2 3 12 10 -
Pede-se:
Fazer uma análise estatı́stica dos dados obtidos no experimento, tecendo co-
mentários e tirando conclusões.
61
Exemplo 2.14.3 A tabela a seguir apresenta os valores observados da produção

em ton/ha de um experimento de competição de variedades RB ′ s de cana-de-
açúcar, conduzido por um pesquisador de melhoramento genético da Estação
Experimental de Cana-de-açúcar de Carpina - PE. O objetivo principal do
pesquisador era selecionar as melhores variedades para região.
Variedades Repetição Total Média

(o C) 1 2 3 4 (yi. ) (ȳi. )
V1 110,8 104,6 105,7 109,2 430,3 107,6
V2 99,1 98,1 97,1 99,3 393,6 98,4
V3 98,2 97,2 96,2 96,7 388,3 97,1
V4 96,3 97,3 95,2 97,9 386,7 96,7
V5 98,4 97,3 97,4 100,5 393,6 98,4
V6 88,5 89,5 90,4 87,1 355,5 88,9
Total - - - - 2348,0 97,8
Pede-se:
1. Admitindo que yij = µ + τi + εij , (i = 1, 2, · · · , 6 e j = 1, 2, 3, 4), é apro-

priado para descrever as observações, encontre as estimativas de mı́nimos
quadrados para os parâmetros do modelo;
2. Fazer uma análise dos resı́duos para verificar se podemos assumir a validez
das suposições: aditividade do modelo, normalidade e independência dos
erros e homogeneidade das variâncias;
3. Fazer as análises estatı́sticas cabı́veis dos dados experimentais, fazendo

comentários e tirando conclusões.
62
2.15 Experimento inteiramente casualizado com

nı́veis quantitativos do fator tratamento.
Exemplo 02: (Bussab, W. O. & Morettin, P. A. (2004), p. 213)
Para estudar o tempo de reação a um estı́mulo visual foram considerados 20
indivı́duos com idade entre 20 e 40 anos. Os resultados observados dos tempos
de reação ao estı́mulo visual, para cada indivı́duo, encontram-se na Tabela 2.16.
Tabela 2.16: Tempo de reação a um estı́mulo visual em função da idade

Tratamentos Indivı́duos Total Média
(idade em anos) 1 2 3 4 (yi. ) (ȳi. )
T1 = 20anos 96 92 106 100 394 98,50
T2 = 25anos 98 104 110 101 413 103,25
T3 = 30anos 116 106 109 100 431 107,75
T4 = 35anos 112 105 118 108 443 110,75
T5 = 40anos 113 112 127 117 469 117,25
Soma - - - - 2150 107,50

Inicialmente calculamos a correção para média, isto é,
(y.. )2 (2150)2
C= = = 231125, 00;
n 5×4
e em seguida as somas dos quadrados:
X
2
SQT otal = yij −C
i,j
= (96)2 + (92)2 + · · · + (117)2 − 231125, 00 = 1373, 00;
X y2 I
i. 1X 2
i
ri J i=1 i.
1
= [(394)2 + · · · + (469)2 ] − 231125, 00 = 819, 00;
4
SQRes. = SQT otal − SQT rat. = 1373, 00 − 819, 00 = 554, 00.
A análise da variância
Para contrastar a hipótese de igualdade das médias contra a hipótese alter-
nativa, isto é,
(1) (1)
H0 : µ1 = µ2 = · · · = µ5 = µ vs H1 : µi 6= µi′ , para algum i 6= i′ ,
utilizaremos a análise da variância, cujos resultados encontram-se na Tabela
2.17.
63

(1)
Trat.(H0 : µ1 = · · · = µ5 = µ) 4 819,00 204,75 5, 54∗∗
Resı́duo 15 554,00 36,93 -
Total 19 1373,00 - -
A tabela da distribuição F com 4 graus de liberdade do numerador e 15

graus de liberdade do denominador, ao nı́vel de 1% de significância, nos fornece
F[4; 15; 0,01] = 4, 89. Assim, como F = 5, 54 > F[4; 15; 0,01] = 4, 89, então rejeita-
(1)
mos a hipótese H0 e concluı́mos, ao nı́vel de 1% de significância que existe pelo
menos um contraste entre duas médias dos tratamentos que é estatı́sticamente
significativo. Podemos concluir também, que o efeito da idade sobre o tempo
de reação ao estı́mulo visual é estatı́sticamente significativo ao nı́vel de 1% de
probabilidade.
Para dar sequência às análises estatı́sticas do experimento, deveremos des-
dobrar os 4 graus de liberdade dos tratamentos em componentes polinomiais de
primeiro a quarto graus, cada um com 1 grau de liberdade. Tal desdobramente
se deve ao fato de que os nı́veis do fator tratamento (Idade) são quantitativos
e é mais informativo estudar o comportamento do tempo de reação ao estı́mulo
visual em relação à idade. A técnica consiste de assumir a priori que os tempos
de reação podem ser escritos por um modelo polinomial de grau (I − 1). Para
este exemplo, teremos:
Yi = β0 + β1 Xi + β2 Xi2 + β3 Xi3 + β4 Xi4 + ǫi , i = 1, 2, · · · , n.
A nossa tarefa, em termos de análises estatı́sticas, é contrastar as hipóteses,
H0 : βg = 0 vs H1 : βg 6= 0.
e em seguida selecionar o modelo que descreve a variável resposta adequadamen-

te em função das rejeições das hipóteses H0 : βg = 0, com g = 1, 2, · · · , (I − 1).
Para este fim, utilizaremos a técnica dos polinômios ortogonais, cujas somas
dos quadrados são calculadas da seguinte forma:
5 2 5 2
P P
cgi yi. cgi yi.
SQ(Comp. g o
i=1 i=1
¯ grau) = JKg
ou SQ(H0 : βg = 0) =
JKg
onde, os valores dos coeficientes cgi encontram-se tabelados para o número de

nı́veis equidistantes do fator em estudo. Os detalhes da teoria sobre polinômios
ortogonais serão estudados posteriormente.
Para o exemplo que estamos considerando, os nı́veis do fator tratamento são
equidistantes, ou seja, as distâncias entre as idades consideradas no experimento
são todas iguais a 5 anos: 20, 25, 30, 35 e 40. E, de acordo com Gomes, F. P.
1985, pg. 243-251, os coeficientes são dados pela Tabela 2.16.
64
Tabela 2.18: Coeficientes dos polinômios ortogonais para 5 nı́veis

Tratamentos Coeficientes Total
(Idade em anos) c1i c2i c3i c4i yi.
20 -2 +2 -1 +1 394
25 -1 -1 +2 -4 413
30 0 -2 0 +6 431
35 +1 -1 -2 -4 443
40 +2 +2 +1 +1 469
Kg 10 14 10 70
5 35
Mg 1 1 6 12
De posse das informações contidas na Tabela 2.18 podemos calcular as somas

dos quadrados de cada componente, a saber:
2
P
5
c1i yi.
SQ(Comp. 1o
¯ grau) =
i=1
JK1
[−2(394) − 1(413) + 0(431) + 1(443) + 2(469)]2
=
4 × 10
= 810, 0000;
5 2
P
c2i yi.
SQ(Comp. 2o
¯ grau) =
i=1
JK2
[2(394) − 1(413) − 2(431) − 1(443) + 2(469)]2
=
4 × 14
= 1, 1429;
5 2
P
c3i yi.
SQ(Comp. 3o
¯ grau) =
i=1
JK3
[−1(394) + 2(413) + 0(431) − 2(443) + 1(469)]2
=
4 × 10
= 5, 6250;
5 2
P
c4i yi.
SQ(Comp. 4o
¯ grau) =
i=1
JK4
[1(394) − 4(413) + 6(431) − 4(443) + 1(469)]2
=
4 × 70
= 2, 2321.
Usando a notação SQ(H0 : βg = 0) em lugar de SQ(Comp. g o¯ grau), reestru-

(.)
65
turamos a análise da variância, cujos resultados encontram-se na tabela 2.19.

(2)
H0 : β1 = 0 1 810,00 810,00 21, 93∗∗
(3)
H0 : β2 = 0 1 1,14 1,14 0,03
(4)
H0 : β3 = 0 1 5,63 5,63 0,15
(5)
H0 : β4 = 0 1 2,23 2,23 0,06
(1)
Trat.(H0 : µ1 = · · · = µ5 = µ) (4) (819,00) 204,75 5, 54∗∗
Resı́duo 15 554,00 36,93 -
Total 19 1373,00 - -
De acordo com a Tabela 2.19, os valores obtidos para a estatı́stica F rela-

(3) (4) (5)
tivos às hipóteses H0 , H0 e H0 foram todos inferiores ao valor crı́tico da
distribuição F , ao nı́vel de 5% de significância, ou seja, F[1; 15; 0,05] = 4, 54. Isto
indica que os componentes polinomiais de segundo, terceiro e quarto graus são
todos estatisticamente nulos. Por isso, as somas dos quadrados dos componen-
tes de segundo, terceiro e quarto graus podem ser reunidas em uma só, com 3
(6)
graus de liberdade, o qual denotaremos por SQ(H0 : β2 = β3 = β4 = 0). Isto
é,
(6) (3) (4)
SQ(H0 : β2 = β3 = β4 = 0) = SQ(H0 : β2 = 0) + SQ(H0 : β3 = 0) +
(5)
SQ(H0 : β4 = 0)
= 1, 14 + 5, 63 + 2, 23 = 9, 00.
Com este resultado, a nova tabela da análise da variância fica:

(2)
H0 : β1 = 0 1 810,00 810,00 21, 93∗∗
(6)
H0 : β2 = β3 = β4 = 0 3 9,00 3,00 0,08
(1)
Trat.(H0 : µ1 = · · · = µ5 = µ) (4) (819,00) 204,75 5, 54∗∗
Resı́duo 15 554,00 36,93 -
Total 19 1373,00 - -
(6)
Conforme podemos observar a hipótese H0 também não foi rejeitada ao
nı́vel de 5% de significância.
(2)
Por outro lado, o valor obtido para a estatı́stica F relativo a hipótese H0
foi F = 21, 93, o qual é maior que F[1; 15; 0,01] = 8, 68. Assim sendo, rejeitamos a
(2)
hipótese H0 e concluı́mos ao nı́vel de 1% de significância que o componente de
primeiro grau não é nulo e o modelo apropriado para estimar o comportamento
66
médio do tempo de reação ao estı́mulo visual em relação a idade é um polinômio

do primeiro grau. Isto é,
Ŷ = Ê(Y |x) = β̂0 + β̂1 x, 20 ≤ x ≤ 40.
em que β̂0 e β̂1 serão obtidos de acordo com as técnicas dos polinômios ortogo-
nais, conforme se segue.
O polinômio, até um certo grau g, tem a seguinte expressão:
Ŷi = Ȳ + B1 M1 P1 + B2 M2 P2 + · · · + Bg Mg Pg , (i = 1, 2, · · · , I)
onde,
P P P P
yi. c1i yi. c2i yi. cgi yi.
Ȳ = IJ ;
i
B1 = i
JK1 ; B2 = i
JK2 ; · · · ; Bg = i
JKg .
As constante Mg e Kg são obtidas das tabelas dos polinômios ortogonais, e Ŷ

é o estimador do tempo médio de reação oa estı́mulo visual relativa a idade x e
Pg são os polinômios de grau g, em que:
I 2 −1 3I 2 −7
P1 = x; P2 = x2 − 12 ; P3 = x3 − 20 x; ··· e
Xi −X̄
x= q , (por exemplo).
onde, Xi são os nı́veis do fator e q é a equidistância entre os nı́veis.

Para o nosso exemplo, precisamos estimar um modelo do primeiro grau e
para tal, calculamos:
P P
i yi. 2150 c1i yi. 180
Ȳ = = = 107, 5; B1 = i = = 4, 5
IJ 5×4 JK1 4 × 10
e o polinômio P1 = x = Xi q−X̄ = Xi −30

5 .
Portanto, fazendo as devidas substituições, teremos:

Xi − 30
Ŷi = Ȳ + B1 M1 P1 = 107, 5 + 4, 5 × 1 × = 80, 5 + 0, 9Xi .
5
Portando, uma estimativa do tempo médio de reação ao estı́mulo visual para

uma dada idade X = x é dada por:
Ê(Y |X = x) = ŷ = 80, 5 + 0, 9x, 20 ≤ x ≤ 40.

67
125
120
Tempo de reação ao estímulo visual
115
110
105
100
95
20 25 30 35 40
Idade
Figura 2.5: Comportamento médio do tempo de reação ao estı́mulo visual em

relação a idade, estimado pelo modelo: Ŷ = 80, 5 + 0, 9X.
Exercı́cio 03: A tabela a seguir apresenta os valores observados de um

experimento utilizado por Ye, W. M. M. (2008), pg. 252. O experimento
teve com objetivo, estudar o efeito da temperatura sobre a quantidade de um
composto quı́mico dissolvido em cem gramas de água.

(o C) 1 2 3 (yi. ) (ȳi. )
T1 = 00 8 6 8 22 7,3
T2 = 15 12 10 14 36 12,0
T3 = 30 25 21 24 70 23,3
T4 = 45 31 33 28 92 30,7
T5 = 60 44 39 42 125 41,7
T6 = 75 48 51 44 143 47,6
Total - - - 488 27,1
Sabendo-se que os totais dos tratamentos, as constantes Kg e Mg e os coeficientes

dos polinômios ortogonais para 6 nı́veis encontram-se na tabela a seguir,
68

T1 = 00 -5 +5 -5 +1 -1 22
T2 = 15 -3 -1 +7 -3 +5 36
T3 = 30 -1 -4 +4 +2 -10 70
T4 = 45 +1 -4 -4 +2 +10 92
T5 = 60 +3 -1 -7 -3 -5 125
T6 = 75 +5 +5 +5 +1 +1 143
Kg 70 84 180 28 252 488
3 5 7 21
Mg 2 2 3 12 10 -
Pede-se:
Fazer uma análise estatı́stica dos dados obtidos no experimento, tecendo
Exercı́cio 04: A tabela a seguir apresenta os valores observados da produção

em ton/ha de um experimento de competição de variedades RB ′ s de cana-de-
açúcar, conduzido por um pesquisador de melhoramento genético da Estação
Experimental de Cana-de-açúcar de Carpina - PE. O objetivo principal do
pesquisador era selecionar as melhores variedades para região.

(o C) 1 2 3 4 (yi. ) (ȳi. )
V1 110,8 104,6 105,7 109,2 430,3 107,6
V2 99,1 98,1 97,1 99,3 393,6 98,4
V3 98,2 97,2 96,2 96,7 388,3 97,1
V4 96,3 97,3 95,2 97,9 386,7 96,7
V5 98,4 97,3 97,4 100,5 393,6 98,4
V6 88,5 89,5 90,4 87,1 355,5 88,9
Total - - - - 2348,0 97,8
Pede-se:


69
UEPB - CCT - DME

COORDENAÇÃO DE ESTATÍSTICA
AV-2 / UT-1
DISCIPLINA: Planejamento de Experimentos DATA: 24/03/2009
PROFESSOR: João Gil de Luna NOTA:...................
ALUNO(A): MATRÍCULA: 2009.1
A tabela a seguir apresenta os valores observados de um experimento con-

duzido com o objetivo de avaliar o efeito da temperatura sobre a quantidade de
um composto quı́mico dissolvido em cem gramas de água.

(o C) 1 2 3 (yi. ) (ȳi. )
T1 = 00 8 6 8 22 7,3
T2 = 15 12 10 14 36 12,0
T3 = 30 25 21 24 70 23,3
T4 = 45 31 33 28 92 30,7
T5 = 60 44 39 42 125 41,7
T6 = 75 48 51 44 143 47,6
Total - - - 488 27,1
Sabendo-se que os totais dos tratamentos, as constantes Kg e Mg e os coeficientes

dos polinômios ortogonais para 6 nı́veis encontram-se na tabela a seguir,

T1 = 00 -5 +5 -5 +1 -1 22
T2 = 15 -3 -1 +7 -3 +5 36
T3 = 30 -1 -4 +4 +2 -10 70
T4 = 45 +1 -4 -4 +2 +10 92
T5 = 60 +3 -1 -7 -3 -5 125
T6 = 75 +5 +5 +5 +1 +1 143
Kg 70 84 180 28 252 488
3 5 7 21
Mg 2 2 3 12 10 -
Pede-se:
Fazer uma análise estatı́stica dos dados obtidos no experimento, tecendo
BOM TRABALHO
70
UEPB - CCT - DME

COORDENAÇÃO DE ESTATÍSTICA
AV-2 / UT-1
DISCIPLINA: Planejamento de Experimentos DATA: 26/03/2009
PROFESSOR: João Gil de Luna NOTA:...................
ALUNO(A): MATRÍCULA: 2009.1
A tabela a seguir apresenta os valores observados da produção em ton/ha

de um experimento de competição de variedades RB ′ s de cana-de-açúcar, con-
duzido por um pesquisador de melhoramento genético da Estação Experimental
de Cana-de-açúcar de Carpina - PE. O objetivo principal do pesquisador era
selecionar as melhores variedades para região.

(o C) 1 2 3 4 (yi. ) (ȳi. )
V1 110,8 104,6 105,7 109,2 430,3 107,6
V2 99,1 98,1 97,1 99,3 393,6 98,4
V3 98,2 97,2 96,2 96,7 388,3 97,1
V4 96,3 97,3 95,2 97,9 386,7 96,7
V5 98,4 97,3 97,4 100,5 393,6 98,4
V6 88,5 89,5 90,4 87,1 355,5 88,9
Total - - - - 2348,0 97,8
Pede-se:


BOM TRABALHO
Capı́tulo 3
Experimentos em blocos
completos casualizados
3.1 Generalidades
• Leva em consideração os três princı́pios básicos da experimentação, quais
sejam: Repetição, Casualização e Controle local;
• É o delineamento mais empregado na experimentação;
• Deverá ser utilizado sempre que tivermos dúvida ou certeza da heterogenei-

dade do ambiente no qual vamos instalar o experimento ou do material
experimental a ser utilizado;
• Cada bloco deverá ser um ambiente homogêneo, onde será instalado aleato-
riamente um conjunto completo dos tratamentos, constituindo dessa forma,
uma repetição;
• Uma vantagem é que esse tipo de delineamento experimental controla uma

outra fonte de variação, que é atribuı́do aos efeitos dos blocos. Com isso
teremos a estimativa da variância do erro casual menor;
• Uma desvantagem é que a perda de uma ou mais unidades experimen-
tais resulta um problema mais sério do que o delineamento inteiramente
casualizado.
71
72
3.2 Um possı́vel desenho desse tipo de ensaio no

campo, com I=5 tratamentos e J=4 blocos.
A distribuição dos tratamentos dentro dos ambientes homogênios (blocos)

pode assumir várias configurações. Dentre outras, apresentamos a seguir, uma
delas.
T3 T1 T5 T4 T2 −→ B1
T5 T2 T4 T1 T3 −→ B2
T1 T4 T2 T3 T5 −→ B3
T4 T3 T1 T5 T2 −→ B4
Observe que:
1. cada bloco contém um conjunto completo dos tratamentos;
2. os tratamentos são distribuı́dos aleatoriamente dentro de cada bloco.
3.3 Organização dos dados numa tabela
É importante que os valores observados no experimento sejam organizados,

de modo conveniente, para facilitar as análises estatı́sticas subsequentes. A
73
seguir, apresentamos uma sugestão de tabela para esta finalidade.
Tratamentos Blocos Total Média

Ti 1 2 ··· j ··· J yi. mi = ȳi
T1 y11 y12 · · · y1j ··· y1J y1. m1 = ȳ1.
T2 y21 y22 · · · y2j ··· y2J y2. m2 = ȳ2.
.. .. .. .. .. .. ..
. . . . . . .
Ti yi1 yi2 ··· yij ··· yiJ yi. mi = ȳi.
.. .. .. .. .. .. ..
. . . . . . .
TI yI1 yI2 ··· yIj ··· yIJ yI. mI = ȳI.
Total y.1 y.2 ··· y.j ··· y.J y..
Média ȳ.1 ȳ.2 ··· ȳ.j ··· ȳ.J m = ȳ..
onde,
J
X I
X I X
X J
yi. = yij , y.j = yij , y.. = yij ,
j=1 i=1 i=1 j=1
yi. y.j y..

ȳi. = , ȳ.j = , ȳ.. = .
J I IJ
3.4 O modelo matemático e suposições
O modelo matemático usado para descrever as observações de um experi-

mento em blocos completos casualizados, é o seguinte:

i = 1, 2, · · · , I
yij = µ + τi + βj + εij , (3.1)
j = 1, 2, · · · , J
onde,
• yij é o valor da variável resposta obtido da unidade de observação que

recebeu o tratamento i no j-ésimo bloco;
• µ é a média geral;
• τi é o efeito do i-ésimo tratamento, aqui considerado fixo, i = 1, 2, · · · , I;
• βj é o efeito do j-ésimo bloco, também considerado fixo, j = 1, 2, · · · , J;
• εij é a contribuição do acaso. Isto é, as causas das variações da variável

resposta devidas a outros fatores não considerados no modelo (3.1). Além
disso, supomos que os erros εij são variáveis aleatórias independentes e
identicamente distribuı́das como uma normal de média zero e variância
constante, σ 2 .
74
Nestas condições, teremos:
E(µ) = µ, E(µ2 ) = µ2 , E(τi ) = τi , E(τi2 ) = τi2 ,
E(βj ) = βj , E(βj2 ) = βj2 , E(εij ) = 0, E(ε2ij ) = σ 2 ,
E(µτi ) = µτi , E(µβj ) = µβj , E(µεij ) = 0, E(τi βj ) = τi βj ,
E(τi εij ) = 0, E(βj εij ) = 0, E(εij εrs ) = 0, ∀ i 6= r ou j 6= s.
Além disso, sendo µ a média geral, τi e βj de efeitos fixos, então cumpre-se que
I
X J
X
τi = 0 e βj = 0. (3.2)
i=1 j=1
3.5 Estimativas dos parâmetros
Dadas as observações experimentais (as amostras):
y11 , y12 · · · , y1J , y21 , y22 , · · · , y2J , · · · , yi1 , yi2 · · · , yiJ , · · · , yI1 , yI2 , · · · , yIJ .
O modelo matemático associado aos dados (associado às amostras), fica:
yij = m + ti + bj + eij . (3.3)
Aplicando o método dos mı́nimos quadrados e admitindo as restrições na

P
I P
J
solução do sistema de equações normais, ti = 0 e bj = 0, encontramos:
i=1 j=1
m = ȳ.. −→ o estimador de µ,
ti = ȳi. − ȳ.. −→ o estimador de τi ,
bj = ȳ.j − ȳ.. −→ o estimador de βj ,
ŷij = ȳi. + ȳ.j − ȳ.. −→ o estimador de E(yij ) = µ + τi + βj ,
eij = yij − ȳi. − ȳ.j + ȳ.. −→ o estimador de εij ,
s2 = QM Res. −→ o estimador de σ 2 .
(3.4)
Observação: veremos posteriormente que s2 = QM Res. é um estimador não
viciado para variância do erro experimental, εij .
75
3.6 Decomposição da variabilidade total
Para comparar globalmente os efeitos dos tratamentos e/ou dos blocos,

emprega-se a técnica da análise da variância que se baseia na decomposição
da variabilidade total dos dados em partes componentes. Para isto, substitui-se
os estimadores em (3.4) na expressão (3.3) e chega-se a identidade:
yij = ȳ.. + (ȳi. − ȳ.. ) + (ȳ.j − ȳ.. ) + (yij − ȳi. − ȳ.j + ȳ.. ) (3.5)
ou
yij − ȳ.. = (ȳi. − ȳ.. ) + (ȳ.j − ȳ.. ) + (yij − ȳi. − ȳ.j + ȳ.. ) (3.6)
que elavando-se, os dois lado, ao quadrado e somando-se para todas as ob-
servações, obtem-se
X J
I X I
X J
X I X
X J
(yij − ȳ.. )2 = J (ȳi. − ȳ.. )2 +I (ȳ.j − ȳ.. )2 + (ȳij − ȳi. − ȳ.j + ȳ.. )2
i=1 j=1 i=1 j=1 i=1 j=1
(3.7)
onde, os duplos produtos se anulam uma vez que os termos na identidade são
ortogonais entre si.
Assim, desenvolvendo algebricamente, a expressão (3.7) resulta em:
! ! !
XX
I J
1X
I
1X
J
2 2 2
yij −C = yi. −C + y.j −C
J I
i=1 j=1 i=1 j=1
| {z } | {z } | {z }
SQT otal SQT rat. SQBlocos
! ! !
I X
X J
1 X
I
1 X
J
2 2 2
+ yij −C − yi. −C − y.j −C .
J I
i=1 j=1 i=1 j=1
| {z }
SQRes.
onde,
(y.. )2
C= .
I ×J
Dessa forma, teremos:
SQRes. = SQT otal − SQT rat. − SQBlocos
e
SQT otal = SQT rat. + SQBlocos + SQRes. (3.8)
Em palavras, a variabilidade total é decomposta em três partes componentes: a
variabilidade devida aos efitos dos blocos, mais a variabilidade devida aos efeitos
dos tratamentos mais a variabilidade do acaso.
Os quadrados médios das partes componentes são dadas pela razão entre as
somas dos quadrados e seus respectivos graus de liberdade. Isto é,
SQT rat SQBlocos SQRes
QM T rat = , QM Blocos = e QM Res = .
I −1 J −1 (I − 1)(J − 1)
76
3.7 Distribuição de probabilidade dos estimadores

e das somas dos quadrados
Aquı́, apresentaremos apenas os resultados encontrados para as distribuições

de probabilidade dos estimadores dos parâmetros do modelo (3.1) e para as
somas dos quadrados em (3.7). As demonstrações desses resultados poderão ser
obtidas utilizando-se procedimentos análogos àqueles apresentados na seção 2.7.
Tabela 3.1: Distribuições de probabilidade dos estimadores dos parâmetros e

das somas dos quadrados
σ2
(µ)
m = ȳ.. ∼ N µ; e sob H0 : µ = 0, C
∼ χ2(1)
IJ σ2
(I−1) 2
(1) SQT rat.
ti = ȳi. − ȳ.. ∼ N τi ; IJ σ e sob H0 : τi = 0, ∼ χ2(I−1)
σ2
(J−1) 2
(2) SQBlocos
bj = ȳ.j − ȳ.. ∼ N βj ; IJ σ , e sob H0 : βj = 0, ∼ χ2(J−1)
σ2
(I−1)(J−1) 2
(1) (2) SQRes.
eij = yij − ŷij ∼ N 0; σ e indep. de H0 e H0 , ∼ χ2[(I−1)(J−1)]
IJ σ2
(IJ−1) 2
(1) (2) SQT otal
yij − ȳ.. ∼ N τi + βj ; σ e sob H0 e H0 , ∼ χ2(IJ−1) .
IJ σ2
Dividindo-se os dois lados da expressão (3.8) por σ 2 , ou seja,
SQT otal SQT rat. SQBlocos SQRes.

2
= + + (3.9)
σ σ2 σ2 σ2
e representando cada termo da expressão (3.9) por suas respectivas distribuições
de probabilidade, isto é,
χ2(IJ−1) = χ2(I−1) + χ2(J−1) + χ2[(I−1)(J−1)] .
justificamos, conforme o teorema de Cochran, a independência entre a SQT rat.,

SQBlocos e SQRes., uma vez que, (IJ − 1) = (I − 1) + (J − 1) + (I − 1)(J − 1).
77
3.8 Valores esperados das somas dos quadrados

e dos quadrados médios
Utilizando-se o método da análise da variância1 , que consiste de encontrar

os valores esperados dos quadrados médios envolvidos na análise da variância,
obtém-se:
P
I P
I
E(SQT rat) = (I − 1)σ 2 + J τi2 =⇒ E(QM T rat) = σ 2 + J
I−1
τi2 ,
i=1 i=1
P
J P
J
E(SQBlocos) = (J − 1)σ 2 + I βj2 =⇒ E(QM Blocos) = σ 2 + I
J−1
βj2 ,
j=1 j=1
E(SQRes) = (I − 1)(J − 1)σ 2 =⇒ E(QM Res) = σ 2 .
Observe que QM Res é um estimador não viciado para σ 2 , a variância do

erro.
3.9 Análises estatı́sticas
Geralmente, num experimento em blocos casualizados, o maior interesse é

testar a hipóteses de que os efeitos dos tratamentos sobre a variável resposta não
existem, o que é equivalente a testar a hipótese de que as médias dos tratamento
são todas iguais, ou seja,
(τ ) (τ )
H0 : τ1 = · · · = τI = 0 vs H1 : τi 6= 0, para pelo menos um τi , i = 1, · · · , I.
que é equivalente a
(τ ) (τ )
H0 : µ1 = · · · = µI = µ vs H0 : µi 6= µi′ , para pelo menos um par (µi , µi′ ), i 6= i′ .
Não muito raro, também é de interesse testar a hipótese da não existência

dos efeitos dos blocos. Isto é,
(β) (b)
H0 : β1 = · · · = βJ = 0 vs H1 : βi 6= 0, para pelo menos um βj , j = 1, · · · , J.
Considerando os resultados apresentados na seção 3.8 podemos concluir que:

(τ )
• Sob H0 : τ1 = · · · = τI = 0, o QM T rat é um estimador não viciado para
σ2 ;
(β)
• Sob H0 : β1 = · · · = βJ = 0, o QM Blocos é um estimador não tendecioso
para σ 2 ;
1 Ver livro: Componentes de variância do Profo. Décio Barbin (1998), FEALQ.
ESALQ/USP. Piracicaba - SP.
78
(τ ) (β)
• Independentemente de que se verifique H0 e/ou H0 , o QM Res. é um
estimador não viciado para σ 2 .
No entanto, percebe-se que:
– Se os efeitos dos tratamentos não forem todos nulos, o valor esperado
de QM T rat é maior que σ 2 ;
– Também, se os efeitos dos blocos não forem todos nulos, o valor
esperado de QM Blocos é maior que σ 2 .
Portanto, um teste para verificar tanto a hipótese nula de igualdade das
médias dos tratamentos como a hipótese nula de igualdade das médias dos blo-
cos, deve ser aquele que compara QM T rat com QM Res e QM Blocos com
QM Res.
????????????? ESCREVER DAQUI PARA FRENTE ??????????????
A partir destes resultados, podemos organizar a tabela da análise da variância
a seguir:
Tabela 3.2: Tabela da análise da variância
F. Varição GL SQ QM F
(β) QM Bloco
Bloco (H0 ) ν1 = (J − 1) SQBloco QM Bloco QM Res
(τ ) QM T rat.
Tratamento (H0 ) ν2 = (I − 1) SQT rat. QM T rat. QM Res.
Resı́duo ν = (I − 1)(J − 1) SQRes. QM Res. = s2 -

Total IJ − 1 SQT otal
(β)
Sob H0 : β1 = · · · = βJ = 0, a estatı́stica
QM Bloco
F = ∼ F[ν1 ; ν] ,
QM Res
(τ )
Sob H0 : τ1 = · · · = τI = 0, a estatı́stica
QM T rat.
F = ∼ F[ν2 ; ν]
QM Res.
(β) (τ )
Rejeitamos as hipóteses H0 e H0 , ao nı́vel de significância α se, e somente
se, F = QM Blocos QM T rat.
QM Res. > F[ν1 ; ν] e F = QM Res. > F[ν2 ; ν] , respectivamente. E, con-
cluimos, ao nı́vel de significância α, que os efeitos dos blocos e dos tratamentos
sobre a variável resposta não são nulo (ou que os efeitos dos blocos e dos trata-
mentos sobre a variável resposta são estatisticamente significativos). Ou ainda,
que as médias da variável resposta relativas aos blocos e aos tratamentos não
são todas iguais.
79
3.10 Teste de comparações múltiplas - Tukey
Para contrastar a hipóteses de igualdade entre duas médias de tratamentos,

isto é,
H0 : µi = µi′ vs H1 : µi 6= µi′ , ∀ i 6= i′ . i, i′ = 1, 2, · · · , I.
Calculamos
r
QM Res
DM S = ∆ = q[I, (I−1)(J−1), α]
J
e comparamos com o valor de |ŷh | = |mi − mi′ |. Se este for maior que ∆
concluimos que as médias µi e µi′ diferem estatisticamente entre si, pelo método
de Tukey ao nı́vel α de significância.
3.11 Um exemplo de aplicação
Num estudo sobre o processo de preparo de amostras na diagnose

foliar de cana-de-açúcar, foram considerados os seguintes tratamentos:
T1: Folhas sem sofrerem limpeza;
T2: Folhas sofrendo apenas a passagem de escova acoplada a aspidador de pó;
T3: Folhas lavadas em água corrente e enxaguadas em água destilada e desmi-

neralizada;
T4: Folhas lavadas em solução diluı́da de detergente (ODD a 0,1%), a seguir

com água destilada, depois com HCL 0,1 N e finalmente com água desmi-
neralizada;
T5: Folhas lavadas em solução diluı́da de detergente (ODD a 0,1%) enxaguada

em água destilada até remoção do detergente e finalmente água desmine-
ralizada.
Os resultados observados no experimento, para o teor de cobre (ppm), en-

contram-se apresentados na Tabela 3.3:
Pede-se:
1. Fazer a análise da variância;
2. Contrastar, ao nı́vel α = 0, 05, pelo teste F , as seguintes hipóteses sobre

80
Tabela 3.3: Resultados do teor de cobre (ppm) encontrados nas amostras de

folha de cana-de-açúcar.
Blocos
Trat. 1 2 3 4 5 6 7 8 Total Média
T1 11,5 12,7 12,6 12,2 10,4 12,0 12,2 8,5 92,1 11,5
T2 7,7 9,0 9,1 8,6 8,8 8,6 8,4 8,4 68,6 8,6
T3 9,8 8,0 7,4 9,5 8,3 8,9 10,5 10,4 72,8 9,1
T4 10,7 10,8 10,2 9,6 9,8 10,1 11,1 11,5 83,8 10,5
T5 12,0 10,9 10,3 9,8 9,4 9,5 9,7 10,1 81,7 10,2
Total 51,7 51,4 49,6 49,7 46,7 49,1 51,9 48,9 399,0 10,0
as médias dos tratamentos:

(1) µ2 +µ3 +µ4 +µ5 (1) µ2 +µ3 +µ4 +µ5
H0 : µ1 = 4 vs H1 : µ1 6= 4
(2) µ2 +µ3 µ4 +µ5 (2) µ2 +µ3 µ4 +µ5

H0 : 2 = 2 vs H1 : 2 6= 2
(3) (3)
H0 : µ2 = µ3 vs H1 : µ2 6= µ3
(4) (4)
H0 : µ4 = µ5 vs H1 : µ4 6= µ5 .
As hipóteses acima são equivalentes, respectivamente, a:

(1) τ2 +τ3 +τ4 +τ5 (1) τ2 +τ3 +µ4 +τ5
H0 : τ1 = 4 vs H1 : τ1 6= 4
(2) τ2 +τ3 τ4 +τ5 (2) τ2 +µ3 τ4 +τ5

H0 : 2 = 2 vs H1 : 2 6= 2
(3) (3)
H0 : τ2 = τ3 vs H1 : τ2 6= τ3
(4) (4)
H0 : τ4 = τ5 vs H1 : τ4 6= τ5 .
3. Aplique o teste de Tukey à taxa de 5% de probabilidade às médias.
SOLUÇÃO:
a) Cálculos da correção e das somas dos quadrados:
y..2 (399, 0)2

C= = = 3980, 03;
IJ 5×8
X
2
SQT otal = yij − C = (11, 5)2 + (12, 7)2 + · · · + (10, 1)2 − 3980, 03 = 75, 99;
i,j
81
8
1X 2 1
SQBlocos = y.j − C = (51, 7)2 + · · · + (48, 9)2 − 3980, 03 = 4, 30;
I j=1 5
5
1X 2 1
SQT rat = yi. − C = (92, 1)2 + · · · + (81, 7)2 − 3980, 03 = 43, 17;
J i=1 8
SQRes. = SQT otal − SQBlocos − SQT rat. = 75, 99 − 4, 30 − 43, 17 = 28, 52.
1) A análise da variância
(β)
Blocos(H0 : β1 = · · · = β8 = 0) 7 4,30 0,61
(τ )
Tratamentos(H0 : τ1 = · · · = τ5 = 0) 4 43,17 10,79 10, 58∗∗
Resı́duo 28 28,52 s2 =1,02
Total 39 75,99
(τ )
Como F = 10, 58 > F[4, 28, 0,01] = 4, 07, rejeitamos H0 : τ1 = · · · = τ8 = 0, ao
nı́vel de significância de 1% e concluimos que existe pelo menos um contraste
entre duas média dos tratamentos estatisticamente significativo (ou que pelo
menos um dos tratamento tem efeito significativo sobre o teor de cobre nas
folhas).
2) Cálculos das estimativas dos contrastes das médias e respectivas somas

dos quadrados das hipóteses de interesse:
(1) µ2 + µ3 + µ4 + µ5 (1)
H0 : µ1 = é equivalente a H0 : 4µ1 − µ2 − µ3 − µ4 − µ5 = 0.
4
Portanto, a estimativa do contraste é:
ȳ2 + ȳ3 + ȳ4 + ȳ5
ψ̂1 = ȳ1 −
4
8, 6 + 9, 1 + 10, 5 + 10, 2
= 11, 5 − = 1, 90ppm
4
e a soma dos quadrados do contraste é:
I 2
P
c1i yi. 2
(1) i=1 [4y1. − 1y2. − 1y3. − 1y4. − 1y5. ]
SQH0 = =
JK1 8 × 20
2
[4(92, 1) − 1(68, 6) − 1(72, 8) − 1(83, 8) − 1(81, 7)]
=
160
(61, 5)2
= = 23, 64;
160
De modo análogo, teremos:
(2) µ2 + µ3 µ4 + µ5 (2)
H0 : = é equivalente a H0 : µ2 + µ3 − µ4 − µ5 = 0.
2 2
82
ȳ2. + ȳ3. ȳ4. + ȳ5. 8, 6 + 9, 1 10, 5 + 10, 2

ψ̂2 = − = − = −1, 50ppm;
2 2 2 2
e
2
P
I
c2i yi. 2
(2) i=1 [0(y1. ) + 1(y2. ) + 1(y3. ) − 1(y4. ) − 1(y5. )]
SQH0 = =
JK2 8×4
(68, 6 + 72, 8 − 83, 8 − 81, 7)2 (−24, 1)2
= = = 18, 15;
32 32
(3) (3)
H0 : µ2 = µ3 é equivalente a H0 : µ2 − µ3 = 0.
ψ̂3 = ȳ2. − ȳ3. = 8, 6 − 9, 1 = −0, 50ppm;
2
P
I
c3i yi. 2
(3) i=1 [0(y1. ) + 1(y2. ) − 1(y3. ) + 0(y4. ) + 0(y5. )]
SQH0 = =
JK3 8×2
2 2
(68, 6 − 72, 8) (−4, 2)
= = = 1, 10;
16 16
(4) (4)
H0 : µ4 = µ5 é equivalente a H0 : µ4 − µ5 = 0.
ψ̂4 = ȳ4. − ȳ5. = 10, 5 − 10, 2 = 0, 30ppm;
2
P
I
c4i yi. 2
(4) i=1 [0(y1. ) + 0(y2. ) + 0(y3. ) + 1(y4. ) − 1(y5. )]
SQH0 = =
JK4 8×2
(83, 8 − 81, 7)2 (2, 1)2
= = = 0, 28.
16 16
A nova tabela da análise da variância fica:
(1)
H0 : τ1 = τ2 +τ3 +τ
4
4 +τ5
1 23,64 23,64 23, 18∗∗
(2) τ2 +τ3 τ4 +τ5
H0 : 2 = 2 1 18,15 18,15 17, 79∗∗
(3)
H0 : τ2 = τ3 1 1,10 1,10 1,08
(4)
H0 : τ4 = τ5 1 0,28 0,28 0,27
(τ )
Tratamentos(H0 : τ1 = · · · = τ5 = 0) (4) (43,17) 10.79 10.58∗∗
(β)
Blocos(H0 : β1 = · · · = β8 = 0) 7 4,30
Resı́duo 28 28,52 1,02
Total 39 75,99
F[1, 28, 0,01] = 7, 64, F[1, 28, 0,05] = 4, 20 e F[4, 28, 0,01] = 4, 70
(τ ) (1) (2)
Portanto, as hipóteses H0 , H0 e H0 foram rejeitadas ao nı́vel de 1% de
significância pelo teste F . Daı́, podemos tirar as seguintes conclusões:
83
(τ )
• a rejeição de H0 nos leva a concluir que pelo menos um tratamento tem
efeito estatisticamente significativo sobre o teor de cobre nas folhas;
(1)
• a rejeição de H0 nos conduz a concluir que existe fortes evidências de
que o teor médio de cobre nas folhas que não passaram por nenhum tipo
de limpeza é maior que o teor médio de cobre daquelas que passaram por
algum tipo de limpeza. A estimativa deste contraste foi de 1,90ppm;
(2)
• a rejeição de H0 nos leva a concluir que, dentre as folhas que passaram
por algum tipo de limpeza, aquelas que não foram limpas com solução
diluı́da de detergente ODD a 0,1%, T2 e T3 , apresentaram menores teores
médios de cobre do que as folhas que no seu processo de limpeza utilizou
o detergente. A estimativa deste contraste foi de -1,50ppm.
3) Teste de Tukey
H0 : µi = µi′ vs H1 : µi 6= µi′ , ∀ i 6= i′ , i, i′ = 1, · · · , 5
Calculamos:

I
|ŷh | = |mi − mi′ |, para h = 1, · · · , , i < i′ = 2, · · · , 5
2
e comparamos com
r r
QM Res 1, 02
∆ = q[5, 28, 0,05] = 4, 13 = 1, 47.
J 8
Os confrontos das médias pelo método de Tukey ao nı́vel de 5% de sig-
nificância encontram-se a seguir:
∆ = 1, 47
m1 m2 m3 m4
Médias 11,5 8,6 9,1 10,5
m2 = 8, 6 S
m3 = 9, 1 S NS
m4 = 10, 5 NS S NS
m5 = 10, 2 NS S NS NS
Se |mi − mi′ | > 1, 47 rejeitamos H0 : µi = µi′ e concluimos, ao nı́vel de
significância de 5%, que µi 6= µi′ e denotamos por S = Significativo e, caso
contrário, denotamos por N S = Não significativo. Assim, o teor médio de co-
bre nas folhas do tratamento T1 , isto é, µ1 , difere estatisticamente das médias
dos tratamento T2 e T3 , isto é, µ2 e µ3 e o teor médio de cobre nas folhas
do tratamento T2 , ou seja µ2 , difere estatisticamente de µ4 e µ5 , pelo teste de
84
Tukey a 5% de significância. Os demais confrontos das médias não apresentaram

significância estatı́stica.
Não esquecer de validar o modelo!!!!!!!!!!!!
Obs.: No processo de validação do modelo, observar que não é possı́vel se

verificar a hipótese de homogeneidade das variâncias, a menos que se tenha, em
cada bloco, mais de uma observação por tratamento.
Exercı́cio #2: [Leal, J. G. & Porras, A. M. L.(1998)] Uma indústria

algodoeira, está interessada em maximizar o rendimento das sementes de al-
godão. A indústria quer comprovar se o rendimento das sementes depende do
tipo de fertilizante utilizado para tratar a planta. A sua disposição tem 5 tipos
de fertilizantes. Como pode haver diferença entre as unidades experimentais,
o experimentador decide utilizar um delineamento em blocos ao acaso. Para
este fim, ele divide o terreno em 4 blocos e cada bloco em 5 parcelas e distribui
aleatoriamente os 5 fertilizantes nas parcelas de cada bloco. Após a colheita, os
rendimentos das parcela foram anotados e encontram-se na tabela a seguir.
Tabela 3.4: Rendimento por parcela de sementes de algodão
Fertilizantes Blocos Totais Médias

(Tratamentos) B1 B2 B3 B4 (yi. ) ȳi.
F1 87 86 88 83 344 86,00
F2 85 87 95 85 352 88,00
F3 90 92 95 90 367 91,75
F4 89 97 98 88 372 93,00
F5 99 96 91 90 376 94,00
Totais (y.j ) 450 458 467 436 1811 90,55
Exercı́cio #2: [Leal, J. G. & Porras, A. M. L.(1998)] Um laboratório

utiliza 4 fornos na fabricação de um determinado produto. Desconfia-se que
a temperatura afeta a dureza do produto obtido. Cada forno pode operar a
4 temperaturas distintas. É sabido que cada forno tem suas próprias carac-
terı́sticas de operação, de modo que eles se consideram uma variável influente
na fabricação do dito produto. É utilizado um delineamento em blocos casu-
alizados considerando os fornos como blocos. Os resultados do experimento
encontram-se na tabela a seguir
a) Existe alguma evidência de que a teperatura influi na dureza do produto?
b) Existe alguma evidência de que os fornos influem na dureza do produto?

85
Tabela 3.5: Resultados das durezas dos produtos considerando-se as 4 tempe-

raturas
Temperaturas Fornos Totais Médias

(o C) F1 F2 F3 F4 (yi. ) (ȳi. )
T1 = 80 7 6 10 5 28 7,00
T2 = 90 9 7 12 8 36 9,00
T3 = 100 7 15 10 7 39 9,75
T4 = 110 12 6 5 10 33 8,25
Totais 35 34 37 30 136 8,50
c) Desdobrar os graus de liberdade dos tratamentos em componentes polino-

miais para verificar o comportamento da dureza do produto em relação às
temperaturas (se for necessário).
Exercı́cio #3: [Montgomery, D. C. (2007)] Um fabricante de disposi-

tivos médicos produz enxertos vasculares (veias artificiais). Esses enxertos são
produzidos por extrusão de resina de tarugo de politetrafluoretileno (PTFE)
combinado com lubrificante em tubos. Frequentemente, alguns dos tubos no
ciclo de produção apresentam pequenas protuberâncias duras na superfı́cie ex-
terna. Esses defeitos são conhecidos como ”os filmes” (flicks). O defeito é a
causa da rejeição da unidade.
O desenvolvedor de produtos responsável pelos enxertos vasculares desconfia
que a pressão de extrusão afeta a ocorrência de defeitos (flicks) e, portanto,
pretende conduzir um experimento para investigar esta hipótese. Por outro
lado, a resina é fabricada por um fornecedor externo e é entregue aos fabricantes
de dispositivos médicos em lotes. O engenheiro também suspeita que pode
haver variações significativas de um lote para outro, porque, o material deve ser
coerente com relação aos parâmetros, tais como, peso molecular, tamanho médio
da partı́cula, retenção e taxa de pico de altura, ele provavelmente não é devido
a variação na produção do fornecedor de resina e variação natural do material.
Assim sendo, o desenvolvedor de produtos decide investigar os efeitos de 4 dife-
rentes nı́veis de pressão de extrusão sobre a ocorrência dos filmes (flicks) usando
um delineamento em blocos casualizados, considerando lotes como blocos. A
variável resposta é a porcentagem de tubos que não apresentam defeitos no cilo
de produção. Os resultados observados no experimento foram os seguints:
86
Tabela 3.6: Porcentagem de tubos sem defeitos na linha de produção

Pressão de extrusão Lotes de resina(blocos) Totais Médias
(Tratamentos) B1 B2 B3 B4 B5 B6 yi. ȳi.
T1 = 8500 90,3 89,2 98,2 93,9 87,4 97,9 556,9 92,8
T2 = 8700 92,5 89,5 90,6 94,7 87,0 95,8 550,1 91,7
T3 = 8900 85,5 90,8 89,6 86,2 88,0 93,4 533,5 88,9
T4 = 9100 82,5 89,5 85,6 87,4 78,9 90,7 514,6 85,8
Totais (y.j ) 350,8 359,0 364,0 362,2 341,3 377,8 2155,1 71,8
Capı́tulo 4
Experimentos em
quadrados latinos
• Levam em consideração os princı́pios da repetição, casualização e o controle

local em duas direções: linhas e colunas;
• É um delineamento pouco utilizado na prática por ser menos flexı́vel (mais

restritivo) que os experimentos em blocos casualizados, pois, os números
de tratamentos, linhas e colunas devem ser os mesmos;
• Devido ao número de repetições ser igual ao número de tratamentos, em

geral, não se usam os quadrados latinos em experimentos com mais de 8
tratamentos, pois, o número de unidades experimentais cresce exagerada-
mente a medida que aumentamos o número de tratamentos, dificultando a
condução do experimento a nı́vel de campo. Por outro lado, os quadrados
latinos 2 × 2, 3 × 3 e 4 × 4 encerram tão poucas unidades experimentais
que só se justificam se o experimento incluir vários quadrados latinos.
• Os quadrados latinos mais utilizados na prática são os 5 × 5 a 8 × 8. Ou

seja, aqueles que envolvem de 5 a 8 tratamentos.
87
88
4.1 Exemplo de um possı́vel desenho de um quadrado

latino 5 × 5 no campo
C1 C2 C3 C4 C5
T4 T1 T2 T5 T3 L1
T3 T5 T4 T1 T2 L2
T5 T2 T1 T3 T4 L3
T1 T4 T3 T2 T5 L4
T2 T3 T5 T4 T1 L5
4.2 Organização dos dados de um experimento

em quadrado latino com 5 tratamentos
Linha Colunas (Cj ) Total Média

(Li ) C1 C2 C3 C4 C5 (yi.. ) (ȳi.. )
L1 y114 y121 y132 y145 y153 y1.. ȳ1..
L2 y213 y225 y234 y241 y252 y2.. ȳ2..
L3 y315 y322 y331 y343 y354 y3.. ȳ3..
L4 y411 y424 y433 y442 y455 y4.. ȳ4..
L5 y512 y523 y535 y544 y551 y5.. ȳ5..
Total (y.j. ) y.1. y.2. y.3. y.4. y.5. y... -
Média (ȳ.j. ) ȳ.1. ȳ.2. ȳ.3. ȳ.4. ȳ.5. - ȳ...
onde,
• yijk é a observação obtida da unidade experimental localizada na linha i
e coluna j que recebeu o tratamento k;
89
• yi.. é a soma dos valores observados na i-ésima linha;
• y.j. é a soma dos valores observados na j-ésima coluna;

• y..k é a soma dos valores observados relativos ao k-ésimo tratamento, isto
é,
y121 + y241 + y331 + y411 + y551 = y..1 −→ total do tratamento 1,

y132 + y252 + y322 + y442 + y512 = y..2 −→ total do tratamento 2,
..
.
y145 + y225 + y315 + y455 + y535 = y..5 −→ total do tratamento 5.
• y... é o total geral.
• ȳi.. , ȳ.j. , ȳ..k e ȳ... são, respectivamente, as médias da i-ésima linha, j-ésima
coluna, k-ésimo tratamentos e geral.
4.3 O modelo matemático e suposições
Um modelo matemático adequado para descrever as observações obtidas de

um experimento em quadrado latino, é o seguinte,
yijk = µ + αi + βj + τk + εijk
onde,
• yijk é o valor da variável resposta obtido da unidade experimental locali-

zada na linha i e coluna j que recebeu o k-ésimo tratamento;
• αi é o efeito da i-ésima linha sobre a variável resposta, aqui considerado

fixo;
• βj é o efeito da j-ésimo coluna sobre a variável resposta, também consi-
derado fixo;
• τk é o efeito do k-ésimo tratamento sobre a variável resposta, considerado

fixo;
• εijk é a contribuição do acaso. Isto é, a parte da variação devida a fatores

não controláveis. Além disso, supomos que os erros εijk são variáveis
aleatórias independentes e identicamente distribuı́das como uma normal
de média zero e variância constante, σ 2 .
90
4.4 Estimativas dos parâmetros
Dadas as observações de um experimento em quadrados latinos R × R, isto

é,
y111 , · · · , y1R3 , y212 , · · · , y2RR , · · · , · · · , yR14 , · · · , yRRR .
O modelo matemático associado aos dados, fica:
yijk = m + ai + bj + tk + eijk , i, j, k = 1, 2, · · · , R
e, aplicando o método dos mı́nimos quadrados encontramos:
m = ȳ... −→ o estimador de µ,
ai = ȳi.. − ȳ... −→ o estimador de αi ,
bj = ȳ.j. − ȳ... −→ o estimador de βj
tk = ȳ..k − ȳ... −→ o estimador de τk
ŷijk = ȳi.. + ȳ.j. + ȳ..k − 2ȳ... −→ o estimador de yijk
eijk = yijk − ŷijk −→ o estimador de εijk
s2 = QM Res. −→ o estimador de σ 2 .
4.5 A Decomposição da variabilidade total
X X
SQRes. = e2ijk = (yijk − ŷijk )2
i,j i,j
  !  
X R R
1 X 2 1 X
=  2
yijk − C − y − C − y2 − C 
i,j
R i=1 i.. R j=1 .j.
| {z } | {z } | {z }
SQT otal SQLinhas SQColunas
R
!
1 X
2
− y..k −C .
R
k=1
| {z }
SQT rat.
onde,
2
y...
C= .
R2
Assim, teremos:
SQRes. = SQT otal − SQLinhas − SQColunas − SQT rat.
91
ou
SQT otal = SQLinhas + SQColunas + SQT rat. + SQRes.
QM Linhas
Linhas (R − 1) SQLinhas QM Linhas QM Res
QM Colunas
Colunas (R − 1) SQColunas QM Colunas QM Res
QM T rat.
Tratamentos (R − 1) SQT rat. QM T rat. QM Res
Resı́duos (R − 1)(R − 2) SQRes. QM Res. = s2 -

Total R2 − 1 SQT otal
(α)
Sob Ho : α1 = · · · = αR = 0, a estatı́stica
QM Linhas
F = ∼ F[(R−1), (R−1)(R−2)]
QM Res
(β)
Sob H0 : β1 = · · · = βR = 0, a estatı́stica
QM Colunas
F = ∼ F[(R−1), (R−1)(R−2)] ,
QM Res
(τ )
Sob H0 : τ1 = · · · = τR = 0, a estatı́stica
QM T rat.
F = ∼ F[(R−1), (R−1)(R−2)]
QM Res
(α) (β) (τ )
Rejeitamos H0 , H0 e H0 , ao nı́vel de significância α, se F calculado
for maior do que o valor encontrado de tabela para os correspondentes graus
de liberdade e nı́vel de significância α fixado. E, concluimos, ao nı́vel de sig-
nificância α, que os efeitos das Linhas e/ou das Colunas e/ou dos Tratamentos
sobre a variável resposta não são nulo (ou que os efeitos das Linhas e/ou das
Colunas e/ou dos Tratamentos sobre a variável resposta são estatisticamente
significativos).
4.6 Teste de comparações múltiplas - Tukey

92
Para contrastar as hipóteses entre duas médias de Linhas, Colunas e trata-

mentos, isto é,
H0 : µi = µi′ vs H1 : µi 6= µi′ , ∀ i 6= i′ . i, i′ = 1, 2, · · · , R
ou
H0 : µj = µj ′ vs H1 : µj 6= µj ′ , ∀ j 6= j ′ . j, j ′ = 1, 2, · · · , R
ou
H0 : µk = µk′ vs H1 : µk 6= µk′ , ∀ k 6= k ′ . k, k ′ = 1, 2, · · · , R
Calculamos
r
QM Res
DM S = ∆ = q[R, (R−1)(R−2), α]
R
e comparamos com o valor de |ŷh | = |mi − mi′ | ou |ŷh | = |mj − mj ′ | ou |ŷh | =
|mk − mk′ | . Se este for maior que ∆ diremos que as médias µi e µi′ ou µj e µj ′
ou µk e µk′ diferem estatisticamente entre si, pelo método de Tukey ao nı́vel α
de significância.
4.7 Um exemplo de aplicação

Pimentel Gomes(1985). Num experimento de competição de variedades de
cana-de-açúcar foram utilizadas 5 variedades: V1 = Co290, V2 = Co421, V3 =
Co419, V4 = POJ2878 e V5 = CP36-13, dispostas em um quadrado latino 5×5.
As produções de cana planta, em kg/parcela, são dadas na tabela a seguir.
Linha Colunas (Cj ) Total Média

(Li ) C1 C2 C3 C4 C5 (yi.. ) (ȳi.. )
L1 V 4(432) V 1(518) V 2(458) V 3(583) V 5(331) 2322 464, 4
L2 V 3(724) V 5(478) V 1(524) V 2(550) V 4(400) 2676 535, 2
L3 V 5(489) V 2(384) V 3(556) V 4(297) V 1(420) 2146 429, 2
L4 V 2(494) V 4(500) V 5(313) V 1(486) V 3(501) 2294 458, 8
L5 V 1(515) V 3(660) V 4(438) V 5(394) V 2(318) 2325 465, 0
Total (y.j. ) 2654 2540 2289 2310 1970 11763 -
Média (ȳ.j. ) 530, 8 508, 0 457, 8 462, 0 394, 0 - 470, 52
Os totais e as médias observados das variedades, isto é, y..k e ȳ..k , para
k = 1, 2, 3, 4, 5, foram:
y..1 = 518 + 524 + 420 + 486 + 515 = 2463 e ȳ..1 = 492, 6;

y..2 = 458 + 550 + 384 + 494 + 318 = 2204 e ȳ..2 = 440, 8;
y..3 = 583 + 724 + 556 + 501 + 660 = 3024 e ȳ..3 = 604, 8;
y..4 = 432 + 400 + 297 + 500 + 438 = 2067 e ȳ..4 = 413, 4;
y..5 = 331 + 478 + 489 + 313 + 394 = 2005 e ȳ..5 = 401, 0.
93
4.7.1 As estimativas dos parâmetros
O principal objetivo de se ter as estimativas dos parâmetros é poder utilizá-

las para calcular os resı́duos que constituem o principal argumento para valida-
ção do modelo. Na tabela a seguir encontram-se as estimativas dos parâmetros
relativos aos dados do experimento com variedades de cona-de-açúcar.
Em primeiro lugar calculamos a estimativa da média geral, isto é,
m = ȳ... = 470, 52.
Na Tabela 4.2 encontram-se as estimativas dos efeitos das linhas, das colu-
nas e das variedades sobre a produção de cana-de-açúcar por parcela. E, na
Tabela 4.3 encontram-se os valores observados nas parcelas, bem como, suas
estimativas, os reı́duos e os resı́duos padronizados, correspondentes.
Tabela 4.2: Estimativas dos efeitos das linhas, colunas e variedades
ai = ȳi.. − ȳ... bj = ȳ.j. − ȳ... tk = ȳ..k − ȳ...

a1 = −6, 12 b1 = +60, 28 t1 = +22, 08
a2 = +64, 68 b2 = +37, 48 t2 = −29, 72
a3 = −41, 32 b3 = −12, 72 t3 = +134, 28
a4 = −11, 72 b4 = −8, 52 t4 = −57, 12
a5 = −5, 52 b5 = −76, 52 t5 = −69, 52
Tabela 4.3: Valores observados yijk , valores estimados ŷijk , resı́duos eijk
e resı́duos padronizados zijk
e
yijk ŷijk = m + ai + bj + tk eijk = yijk − ŷijk zijk = √ ijk
QM Res
y114 = 432 ŷ114 = 467, 56 e114 = −35, 56 -0,6769
y121 = 518 ŷ121 = 523, 96 e121 = −5, 96 -0,1135
.. .. .. ..
. . . .
y552 = 318 ŷ552 = 358, 76 e552 = −40, 76 -0,7759
De posse desses resultados podemos validar o modelo.
Cálculos das somas dos quadrados e a análise da variância
X X (y... )2
2
yijk = 11763, yijk = 5792451 e C= = 5534726, 76.
i,j i,j
R2
94
X
2
SQT otal = yijk −C
i,j
= 5792451 − 5534726, 76
= 257724, 24;
R
1 X 2
SQLinhas = y −C
R i=1 i..
1
= [(2322)2 + · · · + (2325)2 ] − 5534726, 76
5
= 30480, 64;
R
1 X 2
SQColunas = y −C
R j=1 .j.
1
= [(2654)2 + · · · + (1970)2 ] − 5534726, 76
5
= 55640, 64;
R
1 X 2
SQV ariedades = y..k − C
R
k=1
1
= [(2463)2 + · · · + (2005)2 ] − 5534726, 76
5
= 137488, 24;
SQResíduo = SQT otal − SQLinhas − SQColunas − SQV ariedades

= 257724, 24 − 30480, 64 − 55640, 64 − 137488, 24
= 34114, 72.
Com esses resultados podemos organizar a tabela da análise da variância
(α)
Linhas (H0 : α1 = · · · = α5 = 0) 4 30480,64 7620,16 2,68
(β)
Colunas (H0 : β1 = · · · = β5 = 0) 4 55640,64 13910,16 4, 89∗
(τ )
Variedades (H0 : τ1 = · · · = τ5 = 0) 4 137488,24 34372,06 12, 09∗∗
Resı́duo 12 34114,72 2842,89 -
Total 24 257724,24 - -
(*) Significativo a 5% e (**) Significativo a 1%.

95
(α)
Conforme se observa, a hipótese H0 : α1 = · · · = α5 = 0 não foi rejeitada
(β)
ao nı́vel de 5% de significância pelo teste F. Por outro lado, a hipótese H0 :
β1 = · · · = β5 = 0 foi rejeitada ao nı́vel de 5% de significância enquanto que a
(τ )
hipótese H0 : τ1 = · · · = τ5 = 0 foi rejeitada ao nı́vel de 1% de significância.
Isto indica que tanto o efeito das colunas como o efeito das variedades sobre a
variável resposta foram estatı́sticamente significativos.
Como dissemos antes, o desdobramento dos graus de libertade dos tratamen-
tos (variedades) em contrastes de interesse, em geral, estabelecidos no planeja-
mento do experimento, é mais informativo e mais elegante quando feito na
própria análise da variância. Admitamos que o pesquisador planejou verificar
as seguintes hipóteses (contrastes) relativas aos tratamentos:
(1) µ1 +µ2 +µ3 µ4 +µ5 (1) µ1 +µ2 +µ3 µ4 +µ5
• H0 : 3 = 2 vs H1 : 3 6= 2
(2) µ1 +µ2 (2) µ1 +µ2
• H0 : 2 = µ3 vs H1 : 2 6= µ3 ,
(3) (3)
• H0 : µ1 = µ2 vs H1 : µ1 6= µ2 ,
(4) (4)
• H0 : µ4 = µ5 vs H1 : µ4 6= µ5 .
Cálculos das estimativas dos contrastes e respectivas somas dos quadrados das
hipóteses de interesse:
(1) µ1 + µ2 + µ3 µ4 + µ5 (1)
H0 : = é equivalente a H0 : 2µ1 +2µ2 +2µ3 −3µ4 −3µ5 = 0.
3 2
Portanto, a estimativa do contraste Ψ1 é
ȳ..1 + ȳ..2 + ȳ..3 ȳ..4 + ȳ..5
ψ̂1 = −
3 2
492, 6 + 440, 8 + 604, 8 413, 4 + 401, 0
= −
3 2
= 105, 53kg/parcela
(1)
e a soma de quadrados da hipótese H0 é
2
P
5
c1k y..k
(1) k=1 [2(y..1 ) + 2(y..2 ) + 2(y..3 ) − 3(y..4 ) − 3(y..5 )]2
SQ(H0 ) = =
JK1 5 × 30
2
[2(2463) + 2(2204) + 2(3024) − 3(2067) − 3(2005)]
=
150
= 66823, 7067;
µ1 + µ2
(2) (2)
H0 :
= µ3 é equivalente a H0 : µ1 + µ2 − 2µ3 = 0.
2
Daı́, a estimativa do contraste Ψ2 é
ȳ..1 + ȳ..2 429, 6 + 440, 8
ψ̂2 = − ȳ..3 = − 604, 8 = −138, 1kg/parcela,
2 2
96
(2)
e a soma de quadrados da hipótese H0 é
2
P
5
c2k y..k
(2) k=1 [1(y..1 ) + 1(y..2 ) − 2(y..3 ) + 0(y..4 ) + 0(y..5 )]2
SQ(H0 ) = =
JK2 5×6
[1(2463) + 1(2204) − 2(3024)]2
= = 63572, 0333;
30
de modo análogo teremos:
ψ̂3 = ȳ..1 − ȳ..2 = 492, 6 − 440, 8 = 51, 8kg/parcela;
e 2
P
5
c3k y..k
(3) k=1 [1(2463) − 1(2204)]2
SQ(H0 ) = = = 6708, 1000;
J × K3 5×2
ψ̂4 = ȳ..4 − ȳ..5 = 413, 4 − 401, 0 = 12, 4kg/parcela.
e 2
P
5
c4k y..k
(4) k=1 [1(2067) − 1(2005)]2
SQ(H0 ) = = = 384, 4000.
J × K4 5×2
A estimativa do contraste ψ̂1 , por exemplo, é interpretada como: nas condições
em que esse experimento foi instalado e conduzido, estima-se que as varieda-
des Co produzem, em média, 105,53kg/parcela a mais que as variedades CP
e P OJ, juntas. Por outro lado, o contraste ψ̂2 , estima que as duas primeiras
variedades Co produzem, em média, 138, 1kg/parcela a menos que a variedade
Co419. Interpretações análogas podem ser feitas para os demais contrastes.
Com os resultados encontrados para as somas de quadrados podemos reestru-
turar a análise da variância que está apresentada na Tabela 4.5.
(τ ) (1) (2)
Observe que, de acordo com a Tabela 4.5, as hipóteses H0 , H0 e H0
foram rejeitadas ao nı́vel de 1% de significância pelo teste F de Snedecor, en-
(β)
quato que a hipótese H0 foi rejeitada ao nı́vel de 5% de significância. As
demais hipóteses não foram rejeitadas ao nı́vel de 5%.
97
Tabela 4.5: Análise da variância com desdobramento dos graus de liberdade

de tratamentos (variedades) em contrastes de interesse
F.Variação GL SQ QM F
(1)
H0 : τ1 +τ32 +τ3 = τ4 +τ
2
5
1 66823,71 66823,71 23, 51∗∗
(2) τ1 +τ2
H0 : 2 = τ 3 1 63572,03 63572,03 22, 36∗∗
(3)
H0 : τ 1 = τ 2 1 6708,10 6708,10 2,36
(4)
H0 : τ 4 = τ 5 1 384,40 384,40 0,14
(τ )
Variedades(H0 : τ1 = · · · = τ5 = 0) (4) 137488,24 34372,06 12, 09∗∗
(α)
Linhas(H0 : α1 = · · · = α5 = 0) 4 30480,64 7620,16 2,28
(β)
Colunas(H0 : β1 = · · · = β5 = 0) 4 55640,64 13910,16 4, 89∗
Resı́duo 12 34114,72 2842,89 -
Total 24 257724,24 - -
4.7.2 Comparações das médias das variedades duas a duas
Teste de Tukey
Para contrastar as hipóteses relativas às médias das variedades, isto é,
H0 : µk − µk′ = 0 vs H1 : µk − µk′ 6= 0, ∀ k 6= k ′ , k < k ′ = 2, · · · , 5
Calculamos:

R
|ŷh | = |ȳ..k − ȳ..k′ |, para h = 1, · · · , , k < k ′ = 2, · · · , 5
2
e comparar com
r r
QM Res 2842, 89
∆ = q[5, 12, 0,05] = 4, 51 = 107, 54kg/parcela.
R 5
Rejeitamos H0 ao nı́vel de significância de 5% pelo teste de Tukey se |ŷh | ≥
107, 54.
Os confrontos das médias das variedades quando comparadas duas-a-duas
pelo método de tukey a 5% de significância, encontram-se apresentados na tabela
a seguir.
98
∆ = 107, 54kg/parcela.
m1 m2 m3 m4
Médias 492,6 440,8 604,8 413,4
m2 = 440, 8 NS
m3 = 604, 8 S S
m4 = 413, 4 NS NS S
m5 = 401, 0 NS NS S NS
onde, S = Significativo e N S = Não significativo.
Observe que apenas a média da variedade Co419 supera as demais, ao
nı́vel de 5% de significância pelo método de Tukey. Os demais confrontos das
médias não foram estatisticamente significativos pelo teste de Tukey a 5% de
significância.
Não esquecer de validar o modelo!!!!!!!!!!!!

Capı́tulo 5
Experimentos em parcelas
subdivididas
5.1 Generalidades
Os experimentos em parcelas subdivididas (Split−P lot) envolvem dois tipos

de tratamentos ou fatores denominados tratamentos primários ou simplesmente
tratamentos e tratamentos secundários ou subtratamentos. Cada tratamento
contém, dentro de si, um conjunto de todos os subtratamentos distribuı́dos
aleatoriamente e cada repetição ou bloco envolve um conjunto de todos os trata-
mentos, também distribuı́dos ao acaso.
Este tipo de experimento pode ser instalado em qualquer delineamento ex-
perimental, porém é mais encontrado nos desenhos completamente aleatorizados
ou em blocos ao acaso.
De acordo com a estrutura dos subtratamentos os experimentos Split − P lot
são classificados em dois tipo:
• Experimentos em parcelas subdivididas no espaço, no qual a área

de cada tratamento é subdividida em sub-áreas, constituindo, cada uma
delas, um subtratamento. Como por exemplo, podemos ter como trata-
mentos, tipos de tratos culturais (T1 = Manual, T2 = Tração animal e T3
= Mecânico) e como subtratamentos, variedades de cana-de-açúcar (S1 =
Co997, S2 = Co419, S3 = CB45-3 e S4 = CB45-15).
• Experimentos em parcelas subdivididas no tempo, onde as áreas

dos tratamentos não são subdivididas em sub-áreas, más, periodicamen-
te, são feitas medições ou retiradas de amostras aleatórias para avaliações
em cada uma delas, e, as épocas de avaliações passam a constituir os
subtratamentos. Por exemplo, instalamos um experimento inteiramente
casualizado com variedades de cana-de-açúcar e periodicamente retiramos
amostras aleatórias das variedades para determinar os teores de sacarose.
99
100
• Obs.: É impotante tomar cuidado para não confundir o segundo tipo de

split − plot com um experimento onde as medidas são repetidas no tempo,
ou seja, onde os mesmos indivı́duos são medidos (avaliados) periodica-
mente.
Em termos de análises estatı́sticas estes dois tipos de Split − P lot são exa-
tamente as mesmas.
5.2 Possı́veis desenhos desse tipo de experimento

no campo, com 3 tratamentos, 4 subtrata-
mentos e 3 repetições
Figura 5.1: Inteiramente casualizado com parcelas subdivididas

101
Figura 5.2: Blocos casualizados com parcelas subdivididas
Figura 5.3: Quadrados latinos com parcelas subdivididas

102
Genericamente, os dados de um experimento com parcelas subdivididas ins-

talado num delineamento inteiramente ao acaso ou em blocos casualizados com I
tratamentos e J repetições, podem ser colocados de forma organizada de acordo
com a Tabela 5.1:
Tabela 5.1: Organização das observações de um experimento em parcelas sub-

divididas com I tratamentos K subtratamentos e J repetições/blocos.
Repetições/Blocos
Trat. Subtrat. 1 2 ··· J Soma
1 y111 y112 · · · y11J y11.
1 2 y121 y122 · · · y12J y12.
.. .. .. .. ..
. . . . .
K y1K1 y1K2 ··· y1KJ y1K.
Soma y1.1 y1.2 ··· y1.J y1..
1 y211 y212 ··· y21J y21.
2 2 y221 y222 ··· y22J y22.
.. .. .. .. ..
. . . . .
K y2K1 y2K2 ··· y2KJ y2K.
Soma y2.1 y2.2 ··· y2.J y2..
.. .. .. .. ..
. . . . .
.. .. .. .. ..
. . . . .
1 yI11 yI12 ··· yI1J yI1.
I 2 yI21 yI22 ··· yI2J yI2.
.. .. .. .. ..
. . . . .
K yIK1 yIK2 ··· yIKJ yIK.
Soma yI.1 yI.2 ··· yI.J yI..
Soma y..1 y..2 ··· y..J y...
Onde yi.j é o total das K observações que receberam o tratamento i na j-ésima

repetição/bloco; y.kj é o total das I observações que receberam o subtratamento
k na j-ésima repetição/bloco; yik. é o total das J unidades experimentais que
receberam o i-ésimo tratamento e k-ésimo subtratamento; yi.. é o total das KJ
observações que receberam o tratamento i; y.k. é o total das IJ observações que
receberam o k-ésimo subtratamento; y..j é o total das IK observações corres-
pondentes a j-ésima repetição/bloco e y... corresponde ao total geral.
Para facilitar os cálculos, além da Tabela 5.1, é conveniente organizar as
seguintes tabelas auxiliares:
103
Tabela 5.2: Tratamentos × Repetições/Blocos
(K) Repetições/Blocos
Trat. 1 2 ··· J Soma
1 y1.1 y1.2 · · · y1.J y1..
2 y2.1 y2.2 · · · y2.J y2..
.. .. .. .. ..
. . . . .
I yI.1 yI.2 ··· yI.J yI..
Soma y..1 y..2 ··· y..J y...
Tabela 5.3: Tratamentos × Subtratamentos
(J) Subtratamentos
Trat. 1 2 ··· K Soma
1 y11. y12. · · · y1K. y1..
2 y21. y22. · · · y2K. y2..
.. .. .. .. ..
. . . . .
I yI1. yI2. ··· yIK. yI..
Soma y.1. y.2. ··· y.K. y...
5.3 O modelo matemático
O modelo matemático associado às observações de um experimento em parce-

las subdivididas é de acordo com o delineamento utilizado na sua instalação. Ou
seja,
• Quando o experimento for instalado num delineamento inteiramente ca-

sualizado, então o modelo matemático será

 i = 1, 2, · · · , I
yikj = µ + τi + ǫij + θk + γik + εikj k = 1, 2, · · · , K (5.1)

j = 1, 2, · · · , J
• Caso o delineamento utilizado para instalação do experimento seja o de

blocos casualizados, então o modelo matemático apropriado será

 i = 1, 2, · · · , I
yikj = µ + τi + βj + ǫij + θk + γik + εikj k = 1, 2, · · · , K (5.2)

j = 1, 2, · · · , J
104
• Se o delineamento utilizado para instalação do experimento for em quadra-

dos latinos, então o modelo matemático associado aos dador será


 r = 1, 2, · · · , R

c = 1, 2, · · · , R
yikrc = µ + τi + ℓr + δc + ǫirc + θk + γik + εikrc (5.3)

 i = 1, 2, · · · , R

k = 1, 2, · · · , K
onde, os termos associados aos três modelos são definidos como:

• τi é o efeito do i-ésimo tratamento sobre a variável resposta, aqui consi-
derado fixo;
• βj é o efeito do j-ésimo bloco sobre a variável resposta, aqui considerado
fixo;
• ℓr é o efeito da j-ésima linha sobre a variável resposta, considerado fixo;
• δc é o efeito da c-ésima coluna sobre a variável resposta, considerado fixo;
• ǫij é o erro aleatório a nı́vel de parcelas;
• ǫirc é o erro aleatório a nı́vel de parcelas (em quadrados latinos);
• θk é o efeito do k-ésimo sub-tratameno sobre a variável resposta, conside-
rado fixo;
• γik é o efeito da interação do i-ésimo tratamento com o k-ésimo subtrata-
mento;
• εikj é o erro casual associado a observação yikj a nı́vel de subparcelas;
• εikrc é o erro casual associado a observação yikrc a nı́vel de subparcelas;
• Além das suposições acima, consideram-se que os erros ǫij e εikj são
iid
variáveis aleatórias independentes e identicamente distribuidas como ǫij ∼
iid
N (0, σǫ2 ) e εikj ∼ N (0, σε2 ), respectivamente.
5.4 Estimação dos parâmetros do modelo
Daqui por diante trataremos apenas do modelo (5.2), isto é, do caso onde o
experimento em parcelas subdivididas é instalado num delineamento em blocos
casualizados. Assim sendo, dadas as observações desse tipo de experimento, o
modelo matemático associado às observações fica:

 i = 1, 2, · · · , I
yikj = m + ti + bj + eij + dk + gik + uikj , j = 1, 2, · · · , J . (5.4)

k = 1, 2, · · · , K
105
Aplicando-se o método dos mı́nimos quadrados encontraremos os estimadores

das caracterı́sticas na população, a saber:
m = ȳ... −→ o estimador de µ,
ti = ȳi.. − ȳ... −→ o estimador de τi ,
bj = ȳ..j − ȳ... −→ o estimador de βj ,
eij = ȳi.j − ȳi.. − ȳ..j + ȳ... −→ o estimador de ǫij ,
dk = ȳ.k. − ȳ... −→ o estimador de θk ,
gik = ȳik. − ȳi.. − ȳ.k. + ȳ... −→ o estimador de γik ,
ŷijk = m + ti + bj + eij + dk + gik −→ o estimador da observação yikj ,
uikj = yikj − ŷikj −→ o estimador de εikj ,
onde ȳ... é a média geral obtida a partir dos dados colhidos no experimento; ȳi.. é
a média do i-ésimo tratamento observada no experimento; ȳ.k. é a média obtida
no experimento para o k-ésimo subtratamento; ȳ..j é a média observada no
experimento para a j-ésima repetição/bloco; ȳi.j é a média das K observações
experimentais para o i-ésimo tratamento na j-ésima repetição/ bloco e ȳik.
é a média das J observações que receberam o i-ésimo tratamento e k-ésimo
subtratamento.
5.5 A decomposição da variabilidade total
Desenvolvendo-se algebricamente a soma dos quadrados dos resı́duos a nı́vel

de subparcelas, chegaremos aos seguintes resultados:
X X
SQRes(b) = u2ikj = (yikj − ŷikj )2
i,k,j i,k,j
! ! !
X 1 X
I
1 X
J
2 2 2
= yikj −C − yi.. −C − y..j −C
JK IK
i,k,j i=1 j=1
| {z } | {z } | {z }
SQT otal SQT ratamentos SQBlocos
 
 ! ! !
 1 X 1 X
I
1 XJ

− 2
yi.j −C − 2
yi.. −C − 2
y..j −C 
 K JK IK 
 i,j i=1 j=1 
| {z } | {z } | {z }
SQP arcelas SQT ratamentos SQBlocos
| {z }
SQRes(a)
106
!
1 X
K
2
− y.k. −C
IJ
k=1
| {z }
SQSubtratamentos
 
 ! ! !
 1 X 1 X
I
1 XK

− 2
yik. −C − 2
yi.. −C − y.k. − C 
2
 J JK IJ 
 i,k i=1 k=1 
| {z } | {z } | {z }
SQ(T rat,Subtrat) SQT ratamentos SQSubtratamentos
| {z }
SQInteracão(T ratamentos×Subtratamentos)
Portanto, abreviando-se cada fonte de variação envolvida no modelo pela sua

primeira letra, a decomposição da variabilidade total poderá ser escrita como:
SQT otal = SQB + SQT + SQR(a) + SQS + SQ(T × S) + SQR(b).
Com esses resultados podemos organizar a tabela de análise da variância:
Tabela 5.4: Tabela da análise da variância - ANOVA

F. Variação G.L. SQ QM F
QM B
Blocos (J − 1) SQB QM B QM R(a)
QM T
Tratamentos(T) (I − 1) SQT QM T QM R(a)
Resı́duo(a) (I − 1)(J − 1) SQR(a) QM R(a) -
Parcelas (IJ − 1) SQP - -
QM S
Subtratamentos(S) (K − 1) SQS QM S QM R(b)
QM (T ×S)
Interação T × S (I − 1)(K − 1) SQ(T × S) QM (T × S) QM R(b)
Resı́duo(b) I(J − 1)(K − 1) SQR(b) QM R(b) -

Total IJK − 1 SQT otal - -
5.6 As esperanças dos quadrados médios
Conforme foram definidos os termos no modelo (5.2), verifica-se que:
E(µ) = µ; E(µ2 ) = µ2 ; E(τi ) = τi ; E(τi2 ) = τi2 ;

2 2 2 2
E(βj ) = βj ; E(βj ) = βj ; E(γik ) = γik ; E(γik ) = γik ;
E(ǫij ) = 0; E(ǫij ) = σa ; E(εikj ) = 0; E(εikj ) = σb2 ;
2 2 2
107
E(ǫij ǫrj ) = E(ǫij ǫis ) = 0, ∀ i 6= r ou j 6= s;

E(εikj εrkj ) = E(εikj ǫiks ) = E(εikj ǫinj ) = 0, ∀ i 6= r ou j 6= s ou k 6= n;
E(ǫij εrkj ) = E(ǫij εiks ) = 0, ∀ i 6= r ou j 6= s.
com as seguintes restrições:
I
X J
X K
X I
X K
X I X
X K
τi = βj = θk = γik = γik = γik = 0.
i=1 j=1 k=1 i=1 k=1 i=1 k=1
Nestas condições, as esperanças dos quadrados médios, obtidos pelo método de

Hicks modificado, são de acordo com a Tabela 5.5;
Tabela 5.5: Esperanças dos quadrados médios obtidos pelo método de Hicks
modificado
I J K
F.V. i j k E(QM )
τi 0 I K σ 2 + Kσa2 + JKΦτ
βj I 0 K σ 2 + Kσa2 + IKΦβ
ǫik 1 1 K σ 2 + Kσa2
θk I J 0 σ 2 + IJΦθ
γik 0 J 0 σ 2 + JΦγ
εikj 1 1 1 σ2
em que, P P
1 1
Φβ = J−1 βj2 , Φτ = I−1 τi2 ,
j i
1
P 1
P
Φθ = K−1 k θk2 e Φγ = (I−1)(J−1)
2
γij .
i,j
Na tabela 5.6 encontram-se os resultados da análise da variância com respec-

tivos valores esperados dos quadrados médios.
Portanto, estudando-se as distribuições de probabilidade e propriedades dos
quadrados médios, através da teoria de Estatı́stica Matemática, chega-se às jus-
tificativas teóricas para os seguintes resultados:
(1)
1. Sob H0 : β1 = β2 = · · · = βJ = 0, tem-se que Φβ = 0 e a estatı́stica
QM B
Fb = ∼ F[(J−1); (I−1)(J−1)] .
QM R(a)
Em palavras, sob a hipótese de que não existe efeito dos nı́veis do fator
bloco sobre a variável resposta, a estatı́stica Fb segue uma distribuição F
central com (J − 1) graus de liberdade do numerador e (I − 1)(J − 1) graus
de liberdade do denominador.
(2)
2. Sob H0 : τ1 = τ2 = · · · = τI = 0, tem-se que Φτ = 0 e a estatı́stica
QM T
Ft = ∼ F[(I−1); (I−1)(J−1)] .
QM R(a)
108
Tabela 5.6: Tabela da análise da variância com as esperanças dos quadrados

médios
F. Variação G.L. QM E(QM ) F

QM B
Blocos (J − 1) QM B σ 2 + Kσa2 + IKΦβ QM R(a)
QM T
Tratamentos(T) (I − 1) QM T σ 2 + Kσa2 + JKΦτ QM R(a)
Resı́duo(a) (I − 1)(J − 1) QM R(a) σ 2 + Kσa2 -
Parcelas (IJ − 1) − - -
QM S
Subtrat.(S) (K − 1) QM S σ 2 + IJΦθ QM R(b)
QM (T ×S)
Interação T × S (I − 1)(K − 1) QM (T × S) σ 2 + JΦγ QM R(b)
Resı́duo(b) I(J − 1)(K − 1) QM R(b) σ2 -

Total IJK − 1 SQT otal - -
Ou seja, sob a hipótese de que não existe efeito dos nı́veis do fator trata-
mento sobre a variável resposta, a estatı́stica Ft segue uma distribuição
F central com (I − 1) graus de liberdade do numerador e (I − 1)(J − 1)
graus de liberdade do denominador.
(3)
3. Sob H0 : θ1 = θ2 = · · · = θK = 0, tem-se que Φθ = 0 e a estatı́stica
QM S
Fs = ∼ F[(K−1); I(J−1)(K−1)] .
QM R(b)
Isto é, sob a hipótese de que não existe efeito dos nı́veis do fator subtrata-
mento sobre a variável resposta, a estatı́stica Fs segue uma distribuição F
central com (K − 1) graus de liberdade do numerador e I(J − 1)(K − 1)
graus de liberdade do denominador.
(4)
4. Sob H0 : γ11 = γ12 = · · · = γIK = 0, tem-se que Φγ = 0 e a estatı́stica
QM T × S
Fg = ∼ F[(I−1)(K−1); I(J−1)(K−1)] .
QM R(b)
Ou melhor, sob a hipótese de que não existe efeito da interação do i-ésimo

nı́vel do fator tratamento com o k-ésimo nı́vel do fator subtratamento sobre
a variável resposta, a estatı́stica Fg segue uma distribuição F central com
(I − 1)(K − 1) graus de liberdade do numerador e I(J − 1)(K − 1) graus
de liberdade do denominador.
Consequentemente, para contrastar as hipótese de interesse nesse tipo de
experimento, isto é,
109
(1) (1)
1. H0 : β1 = β2 = · · · = βJ = 0 × H1 : βj 6= 0, para pelo menos um βj ,
com j = 1, 2, · · · , J,
(2) (2)
2. H0 : τ1 = τ2 = · · · = τI = 0 × H1 : τi 6= 0, para pelo menos um τi ,
com i = 1, 2, · · · , I,
(3) (3)
3. H0 : θ1 = θ2 = · · · = θK = 0, × H1 : θk 6= 0, para pelo menos um θk ,
com k = 1, 2, · · · , K,
(4) (4)
4. H0 : γ11 = γ12 = · · · = γIJ = 0, × H1 : γik 6= 0, para pelo menos um
γik , com i = 1, 2, · · · , I e k = 1, 2, · · · , K,
com base nos dados de um experimento, calculamos as respectivas estatı́sticas

associadas a cada hipótese:
QM B QM T QM S QM (T ×S)
Fb = QM R(a) , Ft = QM R(a) , Fs = QM R(b) e Fg = QM R(b)
(h) (h)
e rejeitamos H0 , h = 1, 2, 3, 4 em favor de H1 , ao nı́vel de significância α, se
Fb ≥ F[(J−1); (I−1)(J−1); α] , Ft ≥ F[(I−1); (I−1)(J−1); α] ,
Fs ≥ F[(K−1); I(J−1)(K−1); α] , Fg ≥ F[(I−1)(K−1); I(J−1)(K−1); α] .
5.7 Testes de comparações múltiplas - Tukey
Quando instalamos um experimento em parcelas subdivididas, normalmente

estamos interessados em fazer quatro tipos de comparações de médias, ou sejam,
1o. Caso: Comparações entre duas médias de tratamentos:

Para contrastar as hipóteses do tipo
(5) (5)
H0 : µi = µi′ vs H1 : µi 6= µi′ , i 6= i′ ,
calculamos
r
1
DM S = q[I; (I−1)(J−1); α] V̂ ar(ȳi.. − ȳi′ .. ) e |ȳi.. − ȳi′ .. |
2
onde,
2
QM R(a),
V̂ ar(ȳi.. − ȳi′ .. ) =
JK
e adotamos a seguinte regra de decisão:
(5)
Se |ȳi.. − ȳi′ .. | ≥ DM S, rejeitamos H0 e concluimos ao nı́vel α de sig-
nificância que o contraste é estatı́sticamente diferente de zero, ou que a
média do tratamento i difere estatisticamente da média do tratamento i′ .
110
2o. Caso: Comparações entre duas médias de subtratamentos:

(6) (6)
H0 : µk = µk′ vs H1 : µk 6= µk′ , k 6= k ′ ,
calculamos
r
1
DM S = q[K; I(J−1)(K−1); α] V̂ ar(ȳ.k. − ȳ.k′ . ) e |ȳ.k. − ȳ.k′ . |
2
onde,
2
V̂ ar(ȳ.k. − ȳ.k′ . ) = QM R(b),
IJ
(6)
Se |ȳ.k. − ȳ.k′ . | ≥ DM S, rejeitamos H0 e concluimos ao nı́vel α de sig-
nificância que o contraste é estatı́sticamente significativo, ou que a média
do subtratamento k difere estatisticamente da média do subtratamento
k′ .
3o. Caso: Comparações entre duas médias de subtratamentos num mesmo nı́vel
de tratamento:
(7) (7)
H0 : µik = µik′ vs H1 : µik 6= µik′ , k 6= k ′ ,
calculamos
r
1
DM S = q[K; I(J−1)(K−1); α] V̂ ar(ȳik. − ȳik′ . ) e |ȳik. − ȳik′ . |
2
onde,
2
V̂ ar(ȳik. − ȳik′ . ) = QM R(b),
J
(7)
Se |ȳik. − ȳik′ . | ≥ DM S, rejeitamos H0 e concluimos ao nı́vel α de sig-
nificância que o contraste é estatı́sticamente diferente de zero, ou que a
média do subtratamento k difere estatisticamente da média do subtrata-
mento k ′ no tratamento i.
4o. Caso: Comparações entre duas médias de tratamentos num mesmo nı́vel de
subtratamento

(8) (8)
H0 : µik = µi′ k vs H1 : µik 6= µi′ k , i 6= i′ ,
111
calculamos
r
1
DM S = q[I; ν; α] V̂ ar(ȳik. − ȳi′ k. ) e |ȳik. − ȳi′ k. |
2
onde,
2
V̂ ar(ȳik. − ȳi′ k. ) = [QM R(a) + (K − 1)QM R(b)]
JK
e
[QM R(a) + (K − 1)QM R(b)]2
ν= [QM R(a)]2 (K−1)2 [QM R(b)]2
.
(I−1)(J−1) + I(J−1)(K−1)
E, adotamos a seguinte regra de decisão:

(8)
Se |ȳik. − ȳi′ k. | ≥ DM S, rejeitamos H0 e concluimos ao nı́vel α de sig-
nificância que o contraste é estatı́sticamente diferente de zero, ou que a média
do tratamento i difere estatisticamente da média do tratamento i′ no subtrata-
mento k.
5.8 Um exemplo ilustrativo
Os dados apresentados na Tabela 5.7, referem-se ao teor de brix no caldo

obtidos de um experimento com amadurecedores quı́micos em cana-de-açúcar,
conduzido por pesquisadores da Coordenadoria Regional Norte do PLANALSU-
CAR. Foi planejado, para o estudo, a instalação de um experimento em blocos
casualizados com parcelas subdivididas com 3 tratamentos (T1 = T estemunha,
T2 = P olaris e T3 = Ethrel), 8 blocos e 6 subtratamentos (0, 2, 4, 6, 8, 10 se-
manas após a aplicação dos amadurecedores quı́micos). É importante salientar
que cada parcela útil foi planejada com 6 linhas de cana-de-acúcar onde cada
linha foi sorteada aleatóriamente para representar cada época de avaliação do
teor de brix. Assim, os tratamentos e subtratamentos utilizados foram:
Tratamentos:
T1 = Testemunha,
T2 = Polaris,
T3 = Ethrel.
Subtratamentos :
S1 = 0 Semana após a instalação do experimento,
S2 = 2 Semanas após a instalação do experimento,
S6 = 10 Semanas após a instalação do experimento.
112
Tabela 5.7: Porcentagem de brix no caldo de cana-de-açúcar
Blocos
Trat. Semanas 1 2 3 4 5 6 7 8 Soma
0 17,70 17,50 17,95 17,90 17,30 17,60 17,40 17,75 141,10
2 16,95 18,60 17,05 18,00 19,40 18,55 17,80 18,05 144,40
T1 4 18,95 18,10 17,60 18,35 19,20 18,90 18,25 18,70 148,05
6 18,65 18,50 19,65 18,30 20,10 18,75 19,25 17,40 150,60
8 19,70 20,20 19,70 19,70 20,55 20,25 19,80 18,70 158,60
10 20,75 19,00 19,85 20,80 19,45 21,70 19,10 18,25 158,90
Soma 112,70 111,90 111,80 113,05 116,00 115,75 111,60 108,85 901,65
0 16,83 16,96 17,25 18,22 17,75 16,90 16,70 17,19 137,80
2 17,70 17,56 18,17 17,72 19,48 18,20 18,58 18,14 145,55
T2 4 18,00 18,05 18,55 19,52 20,70 18,85 18,41 19,20 151,28
6 18,68 18,83 17,65 20,40 20,03 19,63 18,70 19,71 153,63
8 19,55 19,38 18,10 20,85 20,80 20,42 19,33 21,10 159,53
10 15,56 17,18 19,00 19,40 20,45 19,92 20,00 19,65 151,16
Soma 106,32 107,96 108,72 116,11 119,21 113,92 111,72 114,99 898,95
0 16,63 17,70 17,52 17,52 17,26 17,18 17,43 16,52 137,76
2 17,18 17,75 17,65 17,55 18,61 18,26 18,00 16,56 141,56
T3 4 18,05 18,20 18,57 19,57 19,03 18,91 18,48 17,73 148,54
6 18,50 19,53 19,08 19,03 19,48 18,95 18,77 16,54 149,88
8 20,65 20,90 18,68 18,55 20,28 20,25 19,27 15,60 154,18
10 19,90 23,96 19,08 19,03 20,62 20,33 20,06 18,85 161,83
Soma 110,91 118,04 110,58 111,25 115,28 113,88 112,01 101,80 893,75
Total 329,93 337,90 331,10 340,41 350,49 343,55 335,33 325,64 2694,35
Para facilitar os cálculos das somas dos quadrados necessárias para elabo-
ração da análise da variância, estruturamos as tabelas 5.8 e 5.9:
Tabela 5.8: Tratamentos × Blocos

(K = 6) Blocos
Trat. 1 2 3 4 5 6 7 8 Soma
T1 112,70 111,90 111,80 113,05 116,00 115,75 111,60 108,85 901,65
T2 106,32 107,96 108,72 116,11 119,21 113,92 111,72 114,99 898,95
T3 110,91 118,04 110,58 111,25 115,28 113,88 112,01 101,80 893,75
Soma 329,93 337,90 331,10 340,41 350,49 343,55 335,33 325,64 2694,35
Tabela 5.9: Tratamentos × Semanas

(J = 8) Semanas
Trat. 0 2 4 6 8 10 Soma
T1 141,10 144,40 148,05 150,60 158,60 158,90 901,65
T2 137,80 145,55 151,28 153,63 159,53 151,16 898,95
T3 137,76 141,56 148,54 149,88 154,18 161,83 893,75
Soma 416,66 431,51 447,87 454,11 472,31 471,89 2694,35
A partir das tabelas 5.7, 5.8 e 5.9, calculamos:

113
P
yikj = y... = 17, 70 + 17, 50 + · · · + 18, 85 = 2694, 35;
i,k,j
P 2
yikj = (17, 70)2 + (17, 50)2 + · · · + (18, 85)2 = 50647, 2445 e
i,k,j
2
y... (2694,35)2
C= IJK = 144 = 50413, 3467.
X
2
SQT otal = yikj −C = 50647, 2445 − 50413, 3467
i,k,j
= 233, 8978;
1 X 2
SQBlocos = y −C
IK j ..j
1
= (329, 93)2 + · · · + (325, 64)2 − 50413, 3467
18
= 25, 2008;
1 X 2
SQT rat = y −C
JK i i..
1
= (901, 65)2 + · · · + (893, 75)2 − 50413, 3467
48
= 0, 6718;
1 X 2
SQP arcelas = y −C
K i,j i.j
1
= (112, 70)2 + · · · + (101, 80)2 − 50413, 3467
6
= 56, 6021;
SQResı́duo(a) = SQP arcelas − SQBlocos − SQT rat

= 56, 6021 − 25, 2008 − 0, 6718
= 30, 7295;
1 X 2
SQSemanas = y.k. − C
IJ
k
1
= (416, 66)2 + · · · + (471, 89)2 − 50413, 3467
24
= 101, 9355;
114
1X 2
SQ(T rat, Semanas) = yik. − C
J
i,k
1
= (141, 10)2 + · · · + (161, 83)2 − 50413, 3467
8
= 115, 2965;
SQ(T × S) = SQ(T rat, Semanas) − SQT rat − SQSemanas

= 115, 2965 − 0, 6718 − 101, 9355
= 12, 6892;
SQResı́duo(b) = SQT otal − SQP arcelas − SQSemanas − SQ(T × S)

= 233, 8978 − 56, 6021 − 101, 9355 − 12, 6892
= 62, 6710;
De posse desses resultados, organizamos a análise da variância a qual se

encontra apresentada na Tabela 5.10.
F. Variação G.L. SQ QM F.
Blocos 7 25,2008 3,6001 -
Tratamentos(T) 2 0,6718 0,3359 Ft = 0, 15
Resı́duo(a) 14 30,7295 2,1950 -
Parcelas (23) (56,6021) - -
Semanas(S) 5 101,9355 20,3871 Fs = 34, 16∗∗
Interação T × S 10 12,6892 1,2689 Fg = 2, 13∗
Resı́duo(b) 105 62,6710 0,5969 -

Total 143 233,8978 - -
F[2; 14; 5%] = 3, 74; F[5; 105; 1%] = 3, 21 e F[10; 105; 5%] = 1, 93.
(2)
Conforme pode ser observado na Tabela 5.10, a hipótese H0 : τ1 = τ2 =
τ3 = 0 não foi rejeitada ao nı́vel de significância de 5%, pois, verificou-se que
Ft = 0, 15 ≤ F[2; 14; 0,05] = 3, 74. Daı́, podemos concluir que, independentemen-
te das épocas de amostragem (semanas), os efeitos dos tratamentos sobre o brix
são todos nulos. Ou ainda, que as médias da % de brix em relação aos trata-
mentos são todas estatisticamente iguais. Observa-se também que a hipótese
115
(3)
H0 : θ1 = θ2 = · · · = θK = 0 foi rejeitada ao nı́vel 1% de significância, uma
vez que Fs = 34, 16 > F[5; 105; 0,01] = 3, 21. Isto indica que, independentemente
do tratamento aplicado, o efeito de pelo menos uma semana sobre a % de brix
é diferente de zero, ou que existe pelo menos um par de médias de % brix em
relação às semanas que diferem estatisticamente entre si. Pode ser observado
(4)
ainda, que a hipótese H0 : γ11 = γ12 = · · · = γIK = 0 também foi rejeitada ao
nı́vel de 5% de significância, evidenciando que o comportamento da % de brix
no caldo em relação às semanas não é o mesmo em cada tratamento ou que as
médias dos teores de brix no caldo em relação aos tratamento se comportam de
uma forma numa dada época de avalição (semana) e de outra forma em uma
outra época. Os testes de comparações das médias que faremos a seguir e os
desdobramentos dos graus de liberdadade da interação T × S dentro da própria
análise da variância elucidarão melhor estas conclusões.
5.9 Comparações múltiplas - Teste de Tukey
1o. Caso: Comparações entre duas médias de tratamentos

r
QM R(a)
DM S = q[I; (I−1)(J−1); α]
JK
r r
2, 1950 2, 1950
= q[3; 14; 5%] = 3, 70 = 0, 79;
8×6 48
ȳ1.. = 18, 78 a
ȳ2.. = 18, 73 a
ȳ3.. = 18, 62 a
Obs.: Médias seguidas das mesmas letras não diferem estatisticamente
entre si, pelo teste de Tukey ao nı́vel de 5% de significância.
2o. Caso: Comparações entre duas médias de semanas
r
QM R(b)
DM S = q[K; I(J−1)(K−1); 5%]
IJ
r r
0, 5969 0, 5969
= q[6; 105; 5%] = 4, 12 = 0, 65;
3×8 24
ȳ.1. = 17, 36 a
ȳ.2. = 17, 98 a
ȳ.3. = 18, 66 b
ȳ.4. = 18, 92 b
ȳ.5. = 19, 68 c
ȳ.6. = 19, 66 c
Obs.: Médias seguidas das mesmas letras não diferem estatisticamente
entre si, pelo teste de Tukey ao nı́vel de 5% de significância.
116
Tabela 5.11: Estimativas das médias da interação T × S
↓ Tratamentos
Semanas T1 T2 T3
0 17, 64 b 17, 22 c 17, 22 d
2 18, 05 b 18, 19 bc 17, 70 cd
4 18, 51 b 18, 91ab 18, 57 bc
6 18, 23 b 19, 20ab 18, 73 bc
8 19, 82a 19, 94a 19, 27ab
10 19, 86a 18, 90ab 20, 23a
3o. Caso: Comparações entre duas médias de semanas num mesmo tratamento
r
QM R(b)
DM S = q[K; I(J−1)(K−1); α]
J
r r
0, 5969 0, 5969
= q[6; 105; 5%] = 4, 12 = 1, 13;
8 8
Obs.: Médias seguidas das mesmas letras, em cada tratamento, não
diferem estatisticamente entre si, pelo teste de Tukey ao nı́vel de 5% de
significância.
4o. Caso: Comparações entre duas médias de tratamentos numa mesma semana
Inicialmente calculamos o resı́duo combinado:
[QM R(a) + (K − 1)QM R(b)]

QM R = (5.5)
K
[2, 1950 + (6 − 1)0, 5969]
QM R = = 0, 8633
6
e os graus de liberdade pela fórmula de Satterthwaite (1946):
[QM R(a) + (K − 1)QM R(b)]2
ν= [QM R(a)]2 (K−1)2 [QM R(b)]2
(5.6)
(I−1)(J−1) + I(J−1)(K−1)
[2, 1950 + 5(0, 5969)]2 ∼

ν= [2,1950]2 2 = 63.
14 + 25[0,5969]
105
Agora, calculamos
r
QM R
DM S = q[I; ν; α]
J
r r
0, 8633 0, 8633
= q[3; 63; 5%] = 3, 40 = 1, 12.
8 8
117
Tabela 5.12: Estimativas das médias da interação T × S
→ Tratamentos
Semanas T1 T2 T3
0 17, 64a 17, 22a 17, 22a
2 18, 05a 18, 19a 17, 70a
4 18, 51a 18, 91a 18, 57a
6 18, 23a 19, 20a 18, 73a
8 19, 82a 19, 94a 19, 27a
10 19, 86ab 18, 90 b 20, 23a
Obs.: Médias seguidas das mesmas letras, dentro de cada semana, não diferem
estatisticamente entre si, pelo teste de Tukey ao nı́vel de 5% de significância.
(4)
Nota: Quando a hipótese H0 : γ11 = γ12 = · · · = γIK = 0 for rejeitada, como
é o caso presente, deveremos dar mais importâncias às comparações relativas aos
3o. e 4o. casos, onde comparamos as médias do brix em relação às semanas dentro
de cada tratamento e as médias do brix em relação aos tratamentos dentro de
cada semana.
5.10 Desdobramento dos graus de liberdade e

das somas dos quadrados
No experimento que estamos considerando, os nı́veis do fator tratamento

são qualitativos (Testemunha, Polaris e Ethrel) enquanto que os nı́veis do fa-
tor semana são quantitativo (0, 2, 4, 6, 8, 10). Neste caso, em vez de fazer
comparações das médias, é mais elegante e mais informativo proceder ao desdo-
bramento dos 2 graus de liberdade de tratamentos em 2 hipóteses (contrastes)
de interesse, cada uma com 1 grau de liberdade e os 5 graus de liberdade dos
subtratamentos em 5 hipóteses sobre os coeficientes da regressão polinomial,
cada um com um grau de liberdade. Para esta finalidade consideramos como
interessantes as seguintes hipóteses:
(9) τ2 + τ3 (9) τ2 + τ3
H0 : τ1 = vs H1 : τ1 6=
2 2
e
(10) (10)
H0 : τ2 = τ3 vs H1 : τ2 6= τ3 .
Sendo µi = µ + τi , as duas hipóteses acima são equivalentes a:
(9) (9)
H0 : 2µ1 − µ2 − µ3 = 0 vs H1 : 2µ1 − µ2 − µ3 6= 0
e
(10) (10)
H0 : µ2 − µ3 = 0 vs H1 : µ2 − µ3 6= 0.
118
(9)
Denotando por c1i e c2i os coeficientes dos contrastes das médias em H0 e
(10)
H0 , respectivamente, as somas dos quadrados das hipóteses, serão obtidas da
seguinte maneira:
2
P
c1i yi.. 2
(9) [2(901, 65) − 1(898, 95) − 1(893, 75)]
SQH0 = i P 2 = = 0, 3901
JK c1i 48 × 6
i
e
2
P
c2i yi.. 2
(10) i [0(901, 65) + 1(898, 95) − 1(893, 75)]
SQH0 = P 2 = = 0, 2817.
JK c2i 48 × 2
i
Para os cálculos das somas dos quadrados associadas a cada componente αi ,

i = 1, · · · , 5, do modelo polinomial: Yk = α0 + α1 Xk + α2 Xk2 + · · · + α5 Xk5 , (Yk
é a média da porcentagem de brix na semana Xk ) precisamos dos coeficientes
dos polinômios ortogonais, dos totais dos subtratamentos e dos valores de Mj e
Kj , apresentados na tabela a seguir:
Coeficientes Totais
k c1k c2k c3k c4k c5k (y..k )
1 -5 5 -5 1 -1 416,66
2 -3 -1 7 -3 5 431,51
3 -1 -4 4 2 -10 447,87
4 1 -4 -4 2 10 454,11
5 3 -1 -7 -3 -5 472,31
6 5 5 5 1 1 471,89
P
Kj = c2jk 70 84 180 28 252 -
k
Mj 2 3/2 5/3 7/12 21/10 -
Daı́, calculamos
2
P
c1k y.k. 2
(11) k [−5(416, 66) + · · · + 5(471, 89)]
SQ(H0 : α1 = 0) = =
IJK1 24 × 70
2
[404, 79]
= = 97, 5327;
1680
2
P
c2k y.k. 2
(12) k [5(416, 66) + · · · + 5(471, 89)]
SQ(H0 : α2 = 0) = =
IJK2 24 × 84
2
[−68, 99]
= = 2, 3609;
2016
119
2
P
c3k y.k. 2
(13) k [−5(416, 66) + · · · + 5(471, 89)]
SQ(H0 : α3 = 0) = =
IJK3 24 × 180
2
[−34, 41]
= = 0, 2741;
4320
2
P
c4k y.k. 2
(14) k [1(416, 66) + · · · + 1(471, 89)]
SQ(H0 : α4 = 0) = =
IJK4 24 × 28
2
[−18, 95]
= = 0, 5344;
672
2
P
c5k y.k. 2
(15) k [−1(416, 66) + · · · + 1(471, 89)]
SQ(H0 : α5 = 0) = =
IJK5 24 × 252
2
[−86, 37]
= = 1, 2334.
6048
(13) (14) (15)
As somas dos quadrados das hipóteses H0 , H0 e H0 podem ser reu-
nidas em uma só, denominada Desvio de regressão, com 3 graus de liberdade,
visto que não apresentam significância estatı́stica. Ou seja,
(13) (14) (15)
SQ(Desv. Reg.) = SQ(H0 ) + SQ(H0 ) + SQ(H0 ) = 2, 0419.
Assim sendo, a análise da variância pode ser reorganizada conforme Tabela

(9)
5.13, onde podemos observar que a hipótese H0 : τ1 = τ2 +τ 2
3
não foi rejeitada,
ao nı́vel de 5% de significância pelo teste F . Pois, F = 0, 18 < F[1; 14; 5%] = 4, 60.
Isto indica que, independentemente das épocas de avaliação, os amadurecedores
não apresentaram efeitos estatisticamente significativos sobre a porcentagem de
(10)
brix no caldo da cana-de-açúcar. Observamos também, que a hipótese H0 :
τ2 = τ3 não foi rejeitada ao nı́vel de 5% de significância, uma vez que F =
0, 13 < F[1; 14; 5%] = 4, 60, evidenciando que, independentemente das épocas
de avaliação, o efeito do Polaris sobre a porcentagem de brix no caldo não é
estatisticamente diferente do efeito do Ethrel.
Ainda, de acordo com os resultados apresentados na Tabela 5.13, pode-
mos observar que, independentemente dos tratamentos envolvidos, os efeitos
das épocas de avaliação sobre o teor de brix no caldo da cana, se comporta
(11)
parabolicamente, tendo em vista que as hipóteses H0 foi rejeitada a 1% de sig-
(12)
nificância e H0 a 5%. Indicando que os componentes polinomiais de primeiro e
segundo graus são estatisticamente significativos. Observe também, que o valor
da estatı́stica de teste relativo ao Desv. Reg. que serve para testar a hipótese
(16)
H0 : α3 = α4 = α5 = 0, não foi suficientemente grande para que esta fosse
120
(9)
H0 : τ1 = τ2 +τ
2
3
1 0,3901 0,3901 0,18
(10)
H0 : τ 2 = τ 3 1 0,2817 0,2817 0,13
Tratamentos(T) (2) (0,6718) 0,3359 Ft = 0, 15
Blocos 7 25,2008 3,6001 -
Resı́duo(a) 14 30,7295 2,1950 -
Parcelas (23) (56,6021) - -
(11)
H0 : α1 = 0 1 97,5327 97,5327 163, 40∗∗
(12)
H0 : α2 = 0 1 2,3609 2,3609 3, 96∗
(16)
H0 : α3 = α4 = α5 = 0 3 2,0419 0,6806 1,14
Semanas(S) (5) (101,9355) 20,3871 Fs = 34, 16∗∗
Interação T × S 10 12,6892 1,2689 Fg = 2, 13∗
Resı́duo(b) 105 62,6710 0,5969 -
Total 143 233,8978 - -
F[1; 14; 5%] = 4, 60; F[2; 14; 5%] = 3, 74; F[1; 105; 5%] = 3, 94;
F[1; 105; 1%] = 6, 91; F[3; 105; 5%] = 4, 00.
rejeitada ao nı́vel de 5% de significância. Isto evidencia que os componentes de

terceiro, quarto e quinto graus são todos estatisticamente nulos.
O modelo do segundo grau ajustado para estimar a porcentagem de brix
no caldo em relação às épocas de avaliação, independentemente do tratamento
aplicado, foi obtido do seguinte modo:
P
y.k. 2694, 35
α̂0 = k = = 18, 7108;
IJK 144
P
k c1k y.k.
α̂1 = M1
IJK1
[−5(416, 66) + · · · + 5(471, 89)]
= 2× = 0, 4819;
24 × 70
P
k c2k y.k.
α̂2 = M2
IJK2
3 [5(416, 66) + · · · + 5(−69, 99)]
= × = −0, 0521.
2 24 × 84
Tendo em vista que:
P1 = x, onde, x = X−
q
X̄
= X−5
2 ;
2
2 n −1 2
P2 = x − 12 = x − 2, 9167;
121
e substituindo-se estes resultados na equação (5.7),

Ŷ = α̂0 + α̂1 P1 + α̂2 P2 (5.7)
encontramos,
" 2 #
X −5 X −5
Ŷ = 18, 7108 + 0, 4819 − 0, 0521 − 2, 9167
2 2
= 17, 3324 + 0, 3712X − 0, 0130X 2 .
Além disso, sendo a interação estatisticamente significativa, é convenien-
te desdobrar os graus de liberdade e respectiva soma dos quadrados da in-
(9)
teração T × S em contrastes de interesse, representados pelas hipóteses, H0 =
(10)
γ1k − γ2k +γ 2
3k
e H0 = γ2k − γ3k , dentro de cada semana, isto é, para k =
1, 2, · · · , 6. Para facilitar os cálculas das somas dos quadrados correspondentes
a cada hipótese, estruturamos a Tabela 5.14 contendo os coeficientes dos dois
contrastes de interesse e os totais dos tratamentos dentro de cada semana:
Tabela 5.14: Coeficientes dos dois contrastes de interesse e totais dos trata-
mentos dentro de cada semana.
(J = 8) Coeficientes T ratamentos × Semanas Totais
i c1i c2i yi1. yi2. yi3. yi4. yi5. yi6. yi..
1 2 0 141,10 144,40 148,05 150,60 158,60 158,90 901,65
2 -1 1 137,80 145,55 151,28 153,63 159,53 151,16 898,95
3 -1 -1 137,76 141,56 148,54 149,88 154,18 161,83 893,75
Soma - - 416,66 431,51 447,87 454,11 472,31 471,89 2694,35
Em seguida calculamos as somas dos quadrados:

2
P
c1i yi1.
(9) i
SQ(H0 d. S1 ) = P
J c21i
i
2
[2(141, 10) − 1(137, 80) − 1(137, 76)]
= = 0, 9185;
8×6
2
P
c2i yi1.
(10) i
SQ(H0 d. S1 ) = P
J c22i
i
2
[0(141, 10) + 1(137, 80) − 1(137, 76)]
= = 0, 0001;
8×2
e
1X 2 y2
SQ(T rat d. S1 ) = yi1. − .1.
J i IJ
122
1 (416, 66)2
= (141, 10)2 + (137, 80)2 + (137, 76)2 −
8 24
= 0, 9186;
2
P
c1i yi2.
(9) i
SQ(H0 d. S2 ) = P
J c21i
i
2
[2(144, 40) − 1(145, 55) − 1(141, 56)]
= = 0, 0595;
8×6
2
P
c2i yi2.
(10) i
SQ(H0 d. S2 ) = P
J c22i
i
2
[0(144, 40) + 1(145, 55) − 1(141, 56)]
= = 0, 9950;
8×2
e
1X 2 y2
SQ(T rat d. S2 ) = yi2. − .2.
J i IJ
1 (431, 51)2
= (144, 40)2 + (145, 55)2 + (141, 56)2 −
8 24
= 1, 0545;
e de modo análogo, teremos:
(9) (10)
SQ(H0 d. S3 ) = 0, 2883; SQ(H0 d. S3 ) = 0, 4692; SQ(T rat d. S3 ) = 0, 7575;
(9) (10)
(9) (10)
(9) (10)
Estes resultados estão colocados de forma organizados na Tabela 5.15.

(9)
Como podemos observar, a hipótese H0 : γ1k = γ2k +γ 2
3k
, para k = 1, 2, · · · , 6,
na Tabela 5.15, não foi rejeitada, ao nı́vel de significância de 5%, em todas as
(10)
épocas de amostragem do brix, porém, embora a hipótese H0 não tenha
sido rejeitada, ao nı́vel de 5% de significância, nas primeiras cinco épocas de
avaliação, ela foi rejeitada, ao nı́vel de significância de 1%, na décima semana
após a aplicação dos amadurecedores, ou seja, para k = 6.
123
Tabela 5.15: Tabela da análise da variância com desdobramento da interação.
(9)
H0 : γ11 = γ21 +γ
2
31
1 0,9185 0,9185 1,54
(10)
H0 : γ21 = γ31 1 0,0001 0,0001 0,00
H0 : γ11 = γ21 = γ31 =0 (2) (0,9186) 0,4593 0,77
(9)
H0 : γ12 = γ22 +γ
2
32
1 0,0595 0,0595 0,10
(10)
H0 : γ22 = γ32 1 0,9950 0,9950 1,67
H0 : γ12 = γ22 = γ32 = 0 (2) (1,0545) 0,5273 0,88
(9)
H0 : γ13 = γ23 +γ
2
33
1 0,2883 0,2883 0,48
(10)
H0 : γ23 = γ33 1 0,4692 0,4692 0,79
H0 : γ13 = γ23 = γ33 = 0 (2) (0,7575) 0,3788 0,63
(9)
H0 : γ14 = γ24 +γ
2
34
1 0,1112 0,1112 0,19
(10)
H0 : γ24 = γ34 1 0,8789 0,8789 1,47
H0 : γ14 = γ24 = γ34 = 0 (2) (0,9901) 0,4951 0,83
(9)
H0 : γ15 = γ25 +γ
2
35
1 0,2538 0,2538 0,43
(10)
H0 : γ25 = γ35 1 1,7889 1,7889 3,00
H0 : γ15 = γ25 = γ35 = 0 (2) (2,0427) 1,0214 3,01
(9)
H0 : γ16 = γ26 +γ
2
36
1 0,4820 0,4820 0,81
(10)
H0 : γ26 = γ36 1 7,1156 7,1156 11, 92∗∗
H0 : γ16 = γ26 = γ36 = 0 (2) (7,5976) 3,7988 6, 36∗∗
Resı́duo(b) 105 62,6710 0,5969 -
Ainda, pelo motivo da significância estatı́stica da interação, também é con-

veniente estudarmos o comportamento dos teores médios de brix em relação às
épocas de avaliação (semana) dentro de cada tratamento. Para este fim, estru-
turamos a Tabela 5.16, com os coeficientes dos polinômios ortogonais para 6
nı́veis e os totais relativos a interação T × S e a seguir calculamos as somas dos
(11) (15)
quadrados das hipóteses H0 a H0 dentro de cada tratamento, como sejam:
124
Tabela 5.16: Coeficientes dos polinômios ortogonais e totais de brix por trata-
mento e época de amostragem (semana)
Coeficientes T ×S Totais
k c1k c2k c3k c4k c5k y1k. y2k. y3k. (y.k. )
1 -5 5 -5 1 -1 141,10 137,80 137,76 416,66
2 -3 -1 7 -3 5 144,40 145,55 141,56 431,51
3 -1 -4 4 2 -10 148,05 151,28 148,54 447,87
4 1 -4 -4 2 10 150,60 153,63 149,88 454,11
5 3 -1 -7 -3 -5 158,60 159,53 154,18 472,31
6 5 5 5 1 1 158,90 151,16 161,83 471,89
P
Kj = c2jk 70 84 180 28 252 - - - -
k
Mj 2 3/2 5/3 7/12 21/10 - - - -
Em seguida, calculamos:
2
P
c1k y1k.
(11) k
SQ(H0 : α1 = 0) d. T1 =
JK1
2
[−5(141, 10) + · · · + 5(158, 90)]
=
8 × 70
(134, 15)2
= = 32, 1361;
560
2
P
c2k y1k.
(12) k
SQ(H0 : α2 = 0) d. T1 =
JK2
2
[5(141, 10) + · · · + 5(158, 90)]
=
8 × 84
(2, 40)2
= = 0, 0086;
672
2
P
c3k y1k.
k
SQ(Ho(13) : α3 = 0) d. T1 =
JK3
2
[−5(141, 10) + · · · + 5(158, 90)]
=
8 × 180
(−20, 60)2
= = 0, 2947;
1440
2
P
c3k y1k.
k
SQ(Ho(14) : α4 = 0) d. T1 =
JK4
125
2
[1(141, 10) + · · · + 1(158, 90)]
=
8 × 28
(−11, 70)2
= = 0, 6111;
224
2
P
c3k y1k.
k
SQ(Ho(15) : α5 = 0) d. T1 =
JK5
2
[−1(141, 10) + · · · + 1(158, 90)]
=
8 × 252
(−27, 70)2
= = 0, 3806;
2016
1X 2 y2
SQ(S d. T1 ) = y1k. − 1..
J JK
k
1 (901, 65)2
= (141, 10)2 + · · · + (158, 90)2 −
8 48
= 33, 4311;
De modo análogo encontramos:

2
P
c1k y2k.
(11) k (111,09)2
SQ(H0 : α1 = 0) d. T2 = = = 22, 0375;
JK1 2 560
P
c2k y2k.
(12) k (−79,92)2
SQ(H0 : α2 = 0) d. T2 = = = 9, 5048;
JK2 2 672
P
c3k y2k.
(13) k (−40,46)2
SQ(H0 : α3 = 0) d. T2 = = = 1, 1368;
JK3 2 1440
P
c4k y2k.
(14) k (−16,46)2
SQ(H0 : α4 = 0) d. T2 = = = 1, 2095;
JK4 2 224
P
c5k y2k.
(15) k (−33,04)2
SQ(H0 : α5 = 0) d. T2 = JK5 = 2016 = 0, 5415;
1X 2 y2
SQ(S d. T2 ) = y2k. − 2..
J JK
k
1 (901, 65)2
= (141, 10)2 + · · · + (158, 90)2 −
8 48
= 33, 4311;
126
2
P
c1k y3k.
(11) k (111,09)2
SQ(H0 : α1 = 0) d. T3 = = = 22, 0375;
JK1 2 560
P
c2k y3k.
(12) k (−79,92)2
SQ(H0 : α2 = 0) d. T3 = = = 9, 5048;
JK2 2 672
P
c3k y3k.
(13) k (−40,46)2
SQ(H0 : α3 = 0) d. T3 = = = 1, 1368;
JK3 2 1440
P
c4k y3k.
(14) k (−16,46)2
SQ(H0 : α4 = 0) d. T3 = = = 1, 2095;
JK4 2 224
P
c5k y3k.
(15) k (−33,04)2
SQ(H0 : α5 = 0) d. T3 = JK5 = 2016 = 0, 5415;
1X 2 y2
SQ(S d. T3 ) = y3k. − 3..
J JK
k
1 (901, 65)2
= (141, 10)2 + · · · + (158, 90)2 −
8 48
= 33, 4311;
Finalmente, para determinar o valor da estatı́stica de teste associada a cada

hipótese (Teste F) precisamos, neste caso, do resı́duo combinado e do número de
graus de liberdade correspondente, os quais são obtidos a partir das expressões
(5.5) e (5.6) que, para este exemplo, resultaram em QM R = 0, 8633 e ν = 63
graus de liberdade.
(13)
Note que, de acordo com a Tabela 5.17: SQ(H0 : α3 = 0) d. Ti ,
(14) (15)
SQ(H0 : α4 = 0) d. Ti e SQ(H0 : α5 = 0) d. Ti , para i = 1, 2, 3, não
apresentam significância estatı́stica, ao nı́vel de 5% de significância. Sendo as-
sim, podemos reunir estas somas de quadrados numa única que chamaremos de
(16)
SQ(Desvio de Regressão) d. Ti , a qual corresponde a SQ(H0 : α3 = α4 =
α5 = 0) d. Ti e juntamente com os demais resultados, estruturamos a análise da
variância apresentada na Tabela 5.17.
127
(11)
(H0 : α1 = 0) d. T1 1 32,1361 32,1361 37, 22∗∗
(12)
(H0 : α2 = 0) d. T1 1 0,0086 0,0086 0,01
(16)
(H0 : α3 = α4 = α5 = 0) d. T1 3 1,2864 ,4288 0,50
Semanas d. T1 (5) 33,4311 6,6862 7, 74∗∗
(11)
(H0 : α1 = 0) d. T2 1 22,0375 22,0375 25, 53∗∗
(12)
(H0 : α2 = 0) d. T2 1 9,5048 9,5048 11, 01∗∗
(16)
(H0 : α3 = α4 = α5 = 0) d. T2 3 2,8878 0,9626 1,12
Semanas d. T2 (5) 34,4301 6,8860 7, 98∗∗
(11)
(H0 : α1 = 0) d. T3 1 45,4575 45,4575 52, 66∗∗
(12)
(H0 : α2 = 0) d. T3 1 0,1083 0,1083 0,13
(16)
(H0 : α3 = α4 = α5 = 0) d. T3 3 1,1977 0,3992 0,46
Semanas d. T3 (5) 46,7635 9,3527 10, 83∗∗
Resı́duo 63 - 0,8633 -
F[1; 63; 0,05] = 4, 00, F[3; 63; 0,05] = 2, 76, F[5; 63; 0,05] = 2, 37,
F[1; 63; 0,01] = 7, 07, F[3; 63; 0,01] = 4, 12, F[5; 63; 0,01] = 3, 33.
(11)
Conforme se depreende, a hipótese (H0 : α1 = 0) foi rejeitada ao nı́vel
(12)
de 1% de significância nos três tratamentos, enquanto que (H0 : α2 = 0) só
foi rejeitada no tratamento 2. Isto indica que o comportamento da porcenta-
gem de brix no caldo da cana-de-açúcar, em relação às épocas de avaliação, é
linear dentro da Testemunha, linear onde foi aplicado o amadurecedor Ethrel e
parabólico onde foi aplicado o amadurecedor Polaris. Os demais componentes
polinomiais para épocas de avaliação dentro dos tratamentos não apresentaram
significância estatı́stica ao nı́vel de 5% de significância.
Uma vez realizada a análise da variância precisamos encontrar os polinômios
ajustados em função dos nı́veis do fator semana e isto é feito considerando os
coeficientes de mais alto graus significativos. Para o nosso exemplo, teremos:
Modelo 1: Comportamento dos teores médios de brix em reação às Semanas
d. T1 −→ Ŷ = α̂0 + α̂1 P1 , em que
P1 = x,
X−X̄ X−5
x= q = 2 ;
y1.. 901,65
α̂0 = J×K = 48 = 18, 7844 e

P
c1k y1k.
k 134,15
α̂1 = M1 JK1 =2× 560 = 0, 4791;
128
Daı́, tem-se:

X −5
Ŷ = 18, 7844 + 0, 4791 =⇒ Ŷ = 17, 5867 + 0, 2396X;
2
Modelo 2: Comportamento dos teores médios de brix em relação às semanas

d. T2 −→ Ŷ = α̂0 + α̂1 P1 + α̂2 P2 , onde
n2 −1 62 −1
P2 = x2 − 12 = x2 − 12 = x2 − 2, 9167,
X−5
x= 2 ,
y2.. 898,95
α̂0 = J×K = 48 = 18, 7281,

P
c1k y2k.
k (111,09)
α̂1 = M1 JK1 =2× 560 = 0, 39675,

P
c2k y2k.
k 3 (−79,92)
α̂2 = M2 JK2 = 2 × 672 = −0, 1784,
Fazendo-se as devidas substituições, encontramos:
Ŷ = 17, 1415 + 0, 6444X − 0, 0446X 2 . (5.8)
Modelo 3: Comportamento dos teores médios de brix em relação às semanas

d. T3 −→ Ŷ = α̂0 + α̂1 x, em que
P1 = x,
X−X̄ X−5
x= q = 2 ;
y1.. 893,75
α̂0 = J×K = 48 = 18, 6198 e

P
c1k y3k.
k 159,55
α̂1 = M1 JK1 =2× 560 = 0, 5698;
Daı́, tem-se:

X −5
Ŷ = 18, 6198 + 0, 5698 =⇒ Ŷ = 17, 1953 + 0, 2849X;
2
Os gráficos do comportamento do brix em relação às épocas de avaliação dentro

de cada tratamento podem ser apreciados na Figura 5.4, a seguir:
129
%Brix d. T1 %Brix d. T2
21 21
20.5 20.5
20 20
19.5 19.5
19 19
18.5 18.5
18 18
17.5 17.5
4 Semana 4 Semana
2 6 8 10 2 6 8 10
%Brix d. T3
21 %Brix d. T1,T2,T3
20.5 21
20 20.5
20
19.5 19.5
19 19
18.5 18.5
18 18
17.5 17.5
Semana 2 4 6 8 10 Semana
2 4 6 8 10
Figura 5.4: Comportamento do brix em relação às épocas de avaliação em cada

tratamento
Neste caso, apenas para o amadurecedor Polaris, é possı́vel determinar o

ponto de máxima produção de brix. Para isto, derivamos a equação (5.8) em
relação a X, igualamos a zero, tiramos o valor de X e encontramos o valor
0,6444
X̃ = 2×0,0446 ∼
= 7, 2 semanas que é a época em que a porcentagem de brix
atinge seu ponto máximo quando a cana-de-açúcar for tratada com Polaris.
Estima-se que, nesta época, a porcentagem máxima de brix obtida será de Ŷ =
17, 1415 + 0, 6444(7, 2) − 0, 0446(7, 2)2 = 19, 5%. Por outro lado, de acordo
com os modelos ajustados para explicar o teor de brix em relação às épocas de
avaliação, observou-se que o aumento médio da porcentagem do brix no caldo
por semana na Testemunha foi de 0,2396% enquanto que para a cana tratada
com Ethrel o aumento médio do brix por semana foi de 0,2849%.

PreExp Completa

Enviado por

Direitos autorais:

Formatos disponíveis

PreExp Completa

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

PreExp Completa

Enviado por

Direitos autorais:

Formatos disponíveis

SUMÁRIO

1 Conceitos Preliminares Utilizados na Estatı́stica Experimental 3

2 Experimentos inteiramente casualizados com um fator fixo 13

3 Experimentos em blocos completos casualizados 71

4 Experimentos em quadrados latinos 87

5 Experimentos em parcelas subdivididas 99

• Unidade experimental ou parcela

– Um indivı́duo ou um grupo de indivı́duos

– Médias populacionais: µ1 , µ2 , · · · , µi , · · · µI (são parâmetros)

y11 , y12 , · · · , y1j , · · · , y1r1 (uma a.a. de r1 indivı́duos da população 1)

– Organização das observações (amostras):

Tabela 1.1: Amostras de tamanho ri , (i = 1, ..., I), de I populações

Populações Repetições Totais Médias

Exemplo 1: Consideremos as estimativas das médias de produção de 4 varie-

• Contraste de interesse: Ψ1 = 31 (µ1 + µ2 + µ3 ) − µ4

• Estimador do comtraste: Ψ̂1 = 13 (m1 + m2 + m3 ) − m4

• Estimativa do contraste: ψ̂1 = 13 (123, 8 + 105, 4 + 100, 7) − 98, 4 = 11, 57.

Em Estatı́stica Experimental, quando queremos colocar à prova uma hipótese

1.1 Estimadores das variâncias e covariância en-

Consideremos os contrastes de médias:

e seus respectivos estimadores:

Considerando-se que mi e mi′ , i = 6 i′ , são médias de amostras aleatórias de

Admitindo, como em geral ocorre nos experimentos, que

r1 = r2 = · · · = rI = J e σ12 = σ22 = · · · = σI2 = σ 2 ,

E, os estimadores das variâncias e covariância dos estimadores dos contrastes

d Ψ̂1 , Ψ̂2 ) = (a1 b1 + a2 b2 + · · · + aI bI ) s2 = s2

onde s2 é um estimador apropriado de σ 2 , a variância do erro experimental.

OBS.: Se (a1 b1 + a2 b2 + · · · + aI bI ) = 0, diremos que os contrastes Ψ1 e Ψ2 são

Exemplo 2: Num experimento com 5 tratamentos repetidos 6 vezes foram obti-

Sejam os estimadores dos contrastes:

• ψ̂2 = 2(14, 85) − 1(14, 68) − 1(14, 35) = 0, 67,

Em particular, a variância do estimador de um contraste entre duas médias,

Além disso, se ri = ri′ = J, como em geral ocorre nos experimentos, então o

• Suponha que as duas amostras sejam independentes, então

tem distribuição F de Snedecor e Cochran com (n1 − 1) e (n2 − 1) graus

Quando aplicamos o teste F estamos contrastando as hipóteses

H0 : σ12 = σ22 vs H1 : σ12 > σ22 .

s21 = 13, 62 com 6 g.l.

Assim sendo, teremos

F[6; 12; 5%] = 3, 00

Visto que F calculado é menor que F da tabela, então não rejeitamos

1.3 O Teste t-Student

O teste t-Student pode ser empregado para comparar médias de populações

Regra de decisão: rejeitamos H0 em favor de H1 , ao nı́vel de significância α,

Exemplo: Considerando os dados do Exemplo 2 e admitindo que queremos

onde, Ψ1 = 2µ1 + 2µ2 + 2µ3 − 3µ4 − 3µ5 .

1.4 O Teste de Tukey

Regra de decisão: rejeitamos H0 : µi = µi′ se, ψ̂h = |mi − mi′ | > DM S.

Utilizando os dados do exemplo anterior, temos q[5; 25; 5%] = 4, 16, e,

1.5 O Teste de Duncan

O teste de Duncan consegue discriminar mais que o teste de Tukey. Ele

Regra de decisão: rejeitamos H0 : µi = µi′ , ao nı́vel de significância α, se o

1.6 O Teste de Scheffé

onde I é o número de tratamentos, Vd ar(ψ̂h ) é a estimativa da variância do

Regra de decisão: rejeitamos H0 , ao nı́vel de significância α se, e somente se,

Ψ1 = 2µ1 + 2µ2 + 2µ3 − 3µ4 − 3µ5 .

Então, o estimador do contraste Ψ1 e sua estimativa são dados por:

Ψ̂1 = 2m1 + 2m2 + 2m3 − 3m4 − 3m5 e

A estimativa da variância do estimador do contraste Ψ1 é