ESTATÍSTICA

EXPERIMENTAL
GUIA DE ESTUDOS

Paulo César Lima

Renato Ribeiro de Lima

1|Página
 Lavras/MG
2011

Ficha catalográfica preparada pela Divisão de Processos

Técnicos da Biblioteca Universitária da UFLA

Espaço a ser preenchido pela biblioteca

[A ser preenchido posteriormente]

Espaço a ser preenchido pelo CEAD

 ______________Digite o Título do Documento______________

ÍNDICE

UNIDADE 1 – PESQUISA CIENTÍFICA E ESTATÍSTICA ................. 7

1.1 CIÊNCIA E MÉTODO CIENTÍFICO.............................................. 7

1.2 PESQUISA CIENTÍFICA........................................................... 8
1.3 A ESTATÍSTICA NA PESQUISA CIENTÍFICA................................. 9
1.3.1 Hipóteses Estatísticas................................................. 10
1.3.2 Amostragem............................................................. 11
1.3.3 Estimação e Testes de Hipóteses.................................. 12
1.3.3.1 Estimação................................................... 13
1.3.3.2 Testes de Hipóteses...................................... 14

UNIDADE 2 – CONCEITOS E PRINCÍPIOS BÁSICOS DA ESTATÍSTICA

EXPERIMENTAL .......................................................................... 18

2.1 CONCEITOS GERAIS.......... .................................................... 18

2.1.1 Experimento............................................................. 19
2.1.2 Variáveis................................................................. 19
2.1.3 Variável Fator e Variável Resposta................................ 21
2.1.4 Tratamentos............................................................ 22
2.1.5 Parcela Experimental................................................. 22
2.1.6 Bordadura................................................................ 23
2.2 PRINCÍPIOS BÁSICOS DA EXPERIMENTAÇÃO............................... 25
2.2.1 Repetição................................................................. 25
2.2.2 Aleatorização............................................................ 26
2.3 CONCEITOS FUNDAMENTAIS..................................................... 29
2.3.1 Erro Experimental...................................................... 29
2.3.2 Controle Local........................................................... 31
2.3.3 Interação entre Fatores............................................... 33

UNIDADE 3 – PLANEJAMENTO EXPERIMENTAL ........................... 35

3.1 REQUISITOS PARA UM BOM EXPERIMENTO................................ 36

3.1.1 Escolha do Material Experimental ................................. 36
3.1.2 Seleção das Unidades Experimentais.............................. 37
3.1.3 Seleção dos Tratamentos ........................................... 37
3.1.4 Agrupamento de Unidades Experimentais........................ 38
3.1.5 Utilização de Técnicas mais Refinadas............................. 38

UNIDADE 4 – ANÁLISE DOS DADOS DE UM EXPERIMENTO ........... 42

4.1 CAUSAS DA VARIABILIDADE.................................................. 43

4.2 ANÁLISE DA VARIABILIDADE................................................. 46
4.2.1 Tabela da Análise de Variância...................................... 47
4.2.2 Procedimento Geral.................................................... 50
4.2.3 Teste F................................................................... 56

UNIDADE 5 – COMPARAÇÕES ENTRE MÉDIAS DE TRATAMENTOS -

TESTE TUKEY ............................................................................... 61

5.1 COMPARAÇÕES DAS MÉDIAS DUAS A DUAS............................. 61

5.2 TESTE TUKEY..................................................................... 63

UNIDADE 6 – REGRESSÃO LINEAR SIMPLES ................................ 76

6.1 REGRESSÃO.......................................................................... 76
6.2 REGRESSÃO LINEAR SIMPLES............................................... 80
6.2.1 Análise de Variância para Regressão............................. 83
6.2.2 Coeficiente de Determinação....................................... 84
6.3 REGRESSÃO NA ANÁLISE DE VARIÂNCIA................................ 87
6.3.1 Passos: Análise de Regressão na Análise de Variância....... 88

4|Página
 ESTATÍSTICA EXPERIMENTAL

UNIDADE 7 – PRESSUPOSIÇÕES DA ANÁLISE DE VARIÂNCIA ..... 99

7.1 HIPÓTESES FUNDAMENTAIS DA ANÁLISE DE VARIÂNCIA.......... 100

7.1.1 Normalidade............................................................ 100
7.1.2 Homocedasticidade.................................................... 101
7.1.3 Independência.......................................................... 103
7.1.4 Aditividade.............................................................. 104
7.2 CASOS DE HIPÓTESES FUNDAMENTAIS NÃO SATISFEITAS........... 106
7.3 TRANSFORMAÇÃO DE DADOS............................................... 107
7.3.1 Transformação Raiz Quadrada..................................... 108
7.3.2 Transformação Logarítmica......................................... 110
7.3.3 Transformação Angular.............................................. 111

UNIDADE 8 – DELINEAMENTOS EXPERIMENTAIS ........................ 115

8.1 DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC).................. 115

8.1.1 Características........................................................ 115
8.1.2 Aleatorização.......................................................... 116
8.1.3 Modelo Estatístico.................................................... 117
8.1.4 Modelo Geral de Análise............................................ 117
8.2 DELINEAMENTO BLOCOS CASUALIZADOS (DBC)........................ 119
8.2.1 Características........................................................... 120
8.2.2 Aleatorização............................................................ 121
8.2.3 Modelo Estatístico....................................................... 121
8.2.4 Modelo Geral de Análise............................................. 122
8.3 DELINEAMENTO QUADRADO LATINO (DQL)............................... 125
8.3.1 Características.......................................................... 125
8.3.2 Aleatorização............................................................ 127
8.3.3 Modelo Estatístico...................................................... 127
8.3.4 Modelo Geral de Análise.............................................. 128

UNIDADE 9 – ENSAIOS FATORIAIS ............................................... 133

9.1 NOTAÇÃO.......................................................................... 134

9.2 VANTAGENS E DESVANTAGENS.............................................. 136
9.3 EFEITOS DOS FATORES......................................................... 137
9.4 INTERAÇÃO ENTRE OS FATORES............................................. 140
9.5 O FATORIAL MAIS SIMPLES.................................................... 144
9.6 FATORIAIS P X Q................................................................ 149
9.7 FATORIAIS P X Q X S............................................................ 157
9.8 ENSAIOS FATORIAIS COM UMA REPETIÇÃO................................. 162
9.9 FATORIAIS FRACIONADOS ..................................................... 164

UNIDADE 10 – ENSAIOS FATORIAIS COM PARCELAS DIVIDIDAS 166

10.1 ANÁLISE DE VARIÂNCIA...................................................... 172

10.2 ESTUDO DAS MÉDIAS......................................................... 176
10.3 ENSAIOS EM PARCELAS SUB-SUBDIVIDIDAS............................ 179
10.4 ENSAIOS EM PARCELAS SUBDIVIDIDAS NO TEMPO.................... 179

BIBLIOGRAFIA......................................................................... 181

Tabela A.1. Distribuição F (F0,05)................................................... 182

Tabela A.2. Quantil superior da amplitude estudentizada para o teste

de Tukey......................................................................... 184

5|Página
 ESTATÍSTICA EXPERIMENTAL

UNIDADE 1 - PESQUISA CIENTÍFICA E ESTATÍSTICA

Nesta primeira unidade vamos apresentar os

conceitos sobre Ciência, Pesquisa Científica e os
Fundamentos da Estatística envolvidos na
Experimentação

6|Página
 ESTATÍSTICA EXPERIMENTAL

UNIDADE 1 – PESQUISA CIENTÍFICA E

ESTATÍSTICA

1.1 CIÊNCIA E MÉTODO CIENTÍFICO

Existem muitas definições e conceitos para “ciência”.

Escolhemos um conceito mais geral para que você possa
começar a entender a importância da Estatística no
desenvolvimento da Ciência.

“A Ciência é um conjunto de conhecimentos obtidos

através do Método Científico, organizados e verificáveis”.

As afirmações verificáveis são aquelas que podemos

comprovar através de observações. As afirmações que
não puderem ser comprovadas em experiências não
constituem ciência. De uma forma geral também,
podemos conceituar o Método Científico como:

“Um conjunto de normas e procedimentos básicos

necessários para a realização de experiências com o
objetivo de produzir conhecimento”.

7|Página
 ESTATÍSTICA EXPERIMENTAL

1.2 PESQUISA CIENTÍFICA

Se quisermos realizar uma Pesquisa Científica

precisamos seguir as etapas do método científico. Estas
etapas são apresentadas na Figura 1.1.

FORMULAÇÃO DE
HIPÓTESES

DESENVOLVIMENTO OBTENÇÃO DE
DA TEORIA OBSERVAÇÕES

VERIFICAÇÃO DAS

HIPÓTESES

FIGURA 1.1. O Método Científico.

Observando a Figura 1.1 você pode entender como

trabalham os pesquisadores:

Inicialmente, com o conhecimento do pesquisador,

com a revisão de literatura e com as discussões
sobre o tema, planejam todos os detalhes a serem
estudados e definem os objetivos a serem
atingidos;

8|Página
 ESTATÍSTICA EXPERIMENTAL

Em sequência, procuram formular suposições

(hipóteses) como possíveis soluções para o
problema;

Através da observação dos processos envolvidos,

obtêm informações que serão utilizadas para
verificar se as suposições formuladas são
explicações para o problema;

Dessa forma, os resultados das pesquisas podem

tornar-se novos conhecimentos.

Podemos resumir os passos de uma pesquisa científica

em:

• Definição do Problema
• Formulação das Hipóteses
• Obtenção das Observações
• Análise das Observações
• Interpretação dos Resultados
• Publicação das Conclusões

1.3 A ESTATÍSTICA NA PESQUISA CIENTÍFICA

A Estatística está inserida no Método Científico. Possui

fundamentos teóricos que são comuns a todas as áreas
do conhecimento e metodologias de planejamento de

9|Página
 ESTATÍSTICA EXPERIMENTAL

pesquisas e de análises de informações aplicadas a todas

estas áreas.

Vamos falar dos fundamentos da estatística associados a

cada etapa do Método Científico.

1.3.1 Hipóteses Estatísticas

Nas pesquisas científicas estamos interessados em

explicar as relações causa-efeito entre características dos
elementos envolvidos no estudo em foco.

As hipóteses sobre as relações causa-efeito geralmente

surgem do conhecimento teórico relacionado ao problema
em estudo, mas podem surgir também com base em
literatura ou pela observação do fenômeno.

Lembre-se de que o sucesso de um estudo científico

inicia-se com o maior entendimento e definição do
problema a ser pesquisado, com a habilidade para
formular os objetivos a serem atingidos e com a clareza
na formulação das hipóteses a serem testadas.

A Hipótese Estatística é uma formulação provisória de

resposta ao problema investigado.

Toda hipótese estatística deve ser passível de um teste de

confirmação em experiências. Se os resultados obtidos

10 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

em várias experiências não contradizem a hipótese ela

será aceita como conhecimento científico.

1.3.2 Amostragem

A maioria das pesquisas envolve populações infinitas ou

extremamente grandes em que o estudo de todos os seus
integrantes (censo) é inviável em função de a população
ser infinita ou dos altos custos e do tempo necessário
demandados.

A teoria da amostragem estatística permite que tomemos

uma parte representativa da população para a obtenção
das informações necessárias às pesquisas.

Designamos por característica à propriedade que

distingue ou caracteriza cada elemento de uma amostra e
vamos utilizar o termo dado para designar cada
observação ou cada medida efetuada nas características
destes elementos.

As características dos elementos de uma população ou

amostra podem ser consideradas como na Figura 1.2.

11 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

Características

Explicativas
Características

Respostas

Características

Estranhas

FIGURA 1.2 Grupos de Características dos

Indivíduos.

Em uma experiência, as características causais

(explicativas) são aquelas responsáveis pelos efeitos
que procuramos observar ou mensurar (respostas). As
características estranhas também são características
causais, mas desconhecidas ou consideradas como de
menor importância em nosso estudo.

1.3.3 Estimação e Testes de Hipóteses

O objetivo das pesquisas é conhecer sobre os parâmetros

da população Quando não for possível realizar um censo
podemos empregar a amostragem. Através de amostras,
não é possível determinar os parâmetros da população
então nós usamos a inferência estatística para generalizar
resultados obtidos em amostras para a população.

12 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

Você sabe quais são as diferenças entre Parâmetro,

Estimativa e Estimador?

Em primeiro lugar, vamos relembrar o que é parâmetro:

é o valor de uma função dos indivíduos de uma população
para descrever uma característica qualquer.

Ao valor obtido de uma amostra para uma característica

denominada Y através de uma função qualquer, f(Y),
chamamos estimativa do respectivo parâmetro
populacional e, à função f utilizada para obtê-lo
chamamos estimador daquele parâmetro.

1.3.3.1 Estimação

A diferença entre uma estimativa e o parâmetro é

chamada de erro de estimação. Cada indivíduo de uma
amostra é a expressão da ação simultânea de muitas
características, o que implica na existência de
variabilidade entre os elementos da amostra. Podemos
expressar o erro de estimação como uma função da
variabilidade inerente à característica em estudo:

• Se a variabilidade for pequena, repetidas amostras

da população, provavelmente, fornecerão
estimativas similares implicando em que a
estimativa obtida de uma amostra qualquer
provavelmente esteja mais próxima do valor do
parâmetro;

13 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

• Se a variabilidade for grande a estimativa obtida de

uma amostra qualquer provavelmente estará mais
distante do valor do parâmetro.

1.3.3.2 Testes de Hipóteses

O objetivo da análise estatística é avaliar as relações

causa-efeito entre características dos elementos de uma
amostra e possibilitar a inferência para a população. Isto
é feito através dos testes de hipóteses.

Você sabia que a estatística nunca prova nada?

A estatística, considerando o erro de estimação, permite

dimensionar a confiança que você pode ter no resultado
de uma pesquisa ou então, a probabilidade de que você
tome uma decisão incorreta ao aceitar ou ao rejeitar uma
hipótese estatística.

Para realizar um Teste de Hipótese siga os seguintes

passos:

• Formular uma hipótese a ser testada (H0) e uma

hipótese alternativa (Ha);

14 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

• Especificar do grau de confiança desejado (γ=1-α);

• Escolher uma estatística de teste que avalie os
desvios de H0 e que tenha distribuição amostral
conhecida (Dt);
• Calcular a estimativa do parâmetro através da
amostra (Dc);
• Estabelecer uma Regra de Decisão sobre Dc e Dt.

A regra de decisão a ser usada no último passo admite

quatro resultados possíveis, conforme apresentado na
Tabela 1.1.

TABELA 1.1 Decisões e Tipos de Erros

Associados aos Testes de
Hipóteses.

H0 DECISÃO RESULTADO
Verdadeira Não rejeitar H0 CORRETO
Verdadeira Rejeitar H0 ERRO TIPO I
Falsa Rejeitar H0 CORRETO
Falsa Não rejeitar H0 ERRO TIPO II

A probabilidade de se cometer o Erro Tipo I (rejeitar uma

hipótese verdadeira) em um teste de hipótese qualquer é
representada pela letra grega α. Usualmente chamamos α
de nível de significância. O nível de confiança é dado
por 1 - α.

15 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

A probabilidade de se cometer o Erro Tipo II (aceitar uma

hipótese falsa) é representada por β.

Desafio:

Você é o pesquisador. Então:

a- Descreva um estudo simples a ser pesquisado na

sua área. Descreva todos os detalhes conhecidos
sobre o problema proposto. Formule os principais
objetivos a serem alcançados.
b- Formule uma hipótese a ser verificada no estudo,
c- Indique as observações a serem coletadas visando
a verificação da hipótese formulada.

16 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

UNIDADE 2 – CONCEITOS E PRINCÍPIOS BÁSICOS DA

ESTATÍSTICA EXPERIMENTAL

Nesta unidade são apresentados os principais

conceitos e os princípios fundamentais da
experimentação

17 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

UNIDADE 2 – CONCEITOS E PRINCÍPIOS BÁSICOS

DA ESTATÍSTICA EXPERIMENTAL

A Estatística Experimental trata das técnicas

apropriadas ao planejamento e às análises dos dados de
Experimentos.

Os fundamentos dessas técnicas foram apresentados por

R.A. Fisher (1890-1962) em Statistical methods for
research workers (1925). Este livro era direcionado às
áreas de biologia e agricultura e era essencialmente
aplicado.

2.1 CONCEITOS GERAIS

Alguns termos e expressões são características da área

experimental e frequentemente utilizadas em todas as
etapas da experimentação. Vários termos utilizados têm
origem na área agrícola e permanecem em uso até os dias
de hoje, mas com conotação mais geral.

18 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

2.1.1 Experimento

Um experimento é a realização de um procedimento em

que algumas características explicativas são controladas
pelo experimentador.

2.1.2 Variáveis

A função numérica que estabelece a correspondência um

a um entre as manifestações de uma característica e os
valores de um conjunto numérico é denominada variável.

Quando começarmos o estudo de um problema, iremos

encontrar uma grande quantidade de variáveis
envolvendo o processo em foco. A definição da relevância
dessas variáveis e das hipóteses envolvendo as relações
causa-efeito entre elas é uma etapa fundamental nesta
fase de planejamento da pesquisa.

As variáveis relevantes consideradas no estudo de um

problema podem ser agrupadas em:

➔ Variáveis causais (ci, i=1, 2,..., n): aquelas que

influenciam o desempenho dos elementos ou
indivíduos;

19 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

➔ Variáveis efeitos (ej, j=1, 2,..., m): aquelas que

exprimem o desempenho dos mesmos;

➔ Variáveis irrelevantes (causais ou efeitos): todas as

outras variáveis inerentes aos elementos do
processo mas sem interesse no estudo.

A Figura 2.1 representa as variáveis em uma pesquisa.

Variável c1 Variável c2 ... Variável cn

Variáveis PROCESSO Variáveis

Irrelevantes EM ESTUDO Irrelevantes

Variável e1 Variável e2 ... Variável em

FIGURA 2.1 Variáveis Causais (ci), Variáveis

Efeitos (ej) e Outras Variáveis.

20 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

2.1.3 Variável Fator e Variável Resposta

No planejamento de um experimento devemos escolher a

variável causal cujos efeitos queremos observar no
experimento e as variáveis efeitos que iremos mensurar
conforme os objetivos da pesquisa.

Às variáveis causais cujos efeitos queremos estudar

denominamos fatores. Os valores que um fator assume
são suas categorias (tipos, se o fator for uma variável
qualitativa e níveis, se o fator for quantitativo).

Às variáveis que iremos mensurar ou observar

designamos respostas e valores obtidos para essas
respostas são os dados.

As outras variáveis causais, que podem ser relevantes ou

não, deverão ser controladas através das técnicas
experimentais para que as respostas obtidas sejam a
expressão apenas do fator ou fatores em estudo (Figura
2.2).

21 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

Variáveis relevantes
controladas

FATORES EXPERIMENTO RESPOSTAS

Variáveis irrelevantes e
variáveis relevantes
não controladas

FIGURA 2.2 Representação das Variáveis em um

Experimento

2.1.4 Tratamentos

Se quisermos estudar apenas um fator em um

experimento, as categorias desse fator são denominadas
tratamentos. Para o caso queremos estudar dois ou mais
fatores, os tratamentos são as combinações das
categorias desses fatores.

2.1.5 Parcela Experimental

Unidade experimental ou parcela experimental é a

quantidade de indivíduos de uma amostra em que
aplicamos apenas um tratamento e tomamos uma única
medida para cada variável resposta.

22 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

A quantidade de material ou de indivíduos que define uma

parcela (tamanho da parcela) depende basicamente da
variabilidade inerente à variável resposta.

Existem procedimentos estatísticos apropriados para a

determinação do tamanho e da forma de parcelas
experimentais, fundamentados na teoria da amostragem.
No entanto, na prática, o tamanho da parcela de um
experimento frequentemente é escolhido por analogia a
outros ensaios de mesma natureza e realizado em
condições experimentais semelhantes.

2.1.6 Bordadura

Quando existir a possibilidade do tratamento aplicado a

uma parcela influenciar ou ser influenciado pelos
tratamentos aplicados nas parcelas vizinhas, cada parcela
deverá dispor de uma quantidade de material a mais para
servir de proteção contra esta interferência. Este parte da
parcela que servirá de proteção é denominada
bordadura da parcela.

Não podemos incluir a bordadura na obtenção dos dados

das respostas. A área da parcela, excetuando-se a
bordadura, é denominada área útil da parcela e apenas
nela deverão ser efetuadas as avaliações.

23 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

Como exemplo vamos simular uma parcela constituída

por 3 linhas de plantio de uma cultura qualquer, cada linha
com 5 metros de comprimento. O espaçamento entre
linhas de plantio é de 0,50 m e vamos colocar 10 plantas
por metro linear. Iremos pesar as produções da linha
central, eliminando-se 1 metro em cada extremidade das
linhas. A Figura 2.3 mostra o detalhe desta parcela.

Área Total: Área Útil:

1,0m 7,5 m 2 2,0 m2 1,0m

0,5 m
1,5 m

5,0 m

FIGURA 2.3 Detalhe de uma Parcela

Experimental com Bordadura.

24 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

2.2 PRINCÍPIOS BÁSICOS DA EXPERIMENTAÇÃO

Os princípios básicos da experimentação são: repetição

e aleatorização. São denominados princípios básicos
porque são os fundamentos mínimos necessários a todo
experimento.

2.2.1 Repetição

A repetição consiste na aplicação de cada tratamento a

mais de uma parcela experimental.

A função da repetição é permitir a obtenção de uma

estimativa da variabilidade atribuída a todas as variáveis
consideradas irrelevantes ou não conhecidas e às
variáveis explicativas que não foram controladas.

Outra função atribuída ao aumento do número de

repetições é a diminuição do erro experimental (veja a
seguir, no item 2.3.1).

25 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

Alguns procedimentos estatísticos permitem determinar o

número necessário de repetições, geralmente
considerando o grau de confiança requerido, a
variabilidade do material experimental e os objetivos da
pesquisa.

2.2.2 Aleatorização

A aleatorização ou casualização consiste em um

conjunto de regras que define o processo de distribuição
das parcelas na área experimental.

A função da casualização é evitar a tendenciosidade ou o

viés dos efeitos das variáveis não controladas sobre os
resultados obtidos no experimento permitindo que as
estimativas e os testes de hipóteses sejam válidos.

Para exemplificar a utilização desses termos e expressões,

considere o experimento apresentado no exemplo
seguinte.

Exemplo 2.1

Um engenheiro, interessado em estudar a resistência de

fibras sintéticas utilizadas na confecção de vestuário,
decidiu utilizar diferentes quantidades de algodão já que

26 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

é sabido, de pesquisas anteriores, que a resistência de

fibras sintéticas aumenta com a inclusão de algodão.
Como o produto final deve conter de 10 a 40% de
algodão, devido a outras características importantes para
a qualidade do produto, foram escolhidas as quantidades
de 15, 20, 25, 30 e 35% de algodão. Também, decidiu-se
testar cinco amostras de cada nível de algodão tomando,
como amostra, um atado de fibras com 10 centímetros de
diâmetro. As avaliações foram feitas em apenas uma
máquina e por um único técnico.
Fonte: Montgomery, D.C.

No exemplo 2.1, temos apenas um fator que são os

teores de algodão na fibra com as categorias (ou níveis):
15, 20, 25, 30 e 35%. Como as categorias deste fator são
expressas em uma escala intervalar, o fator é denominado
quantitativo. Quando as categorias de um fator são
expressas em uma escala nominal, o fator é denominado
qualitativo.

A tensão ao rompimento corresponde à variável

resposta. Os valores obtidos para a resistência das
amostras são os dados.

Os tratamentos são: T1 = 15% de algodão na fibra, T2

= 20%, T3 = 25%, T4 = 30% e T5 = 35% de algodão na
fibra.

27 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

Atenção:

Se em outro experimento os fatores fossem Reagentes (A

e B) e uso ou não de um Catalisador, os tratamentos
seriam: T1 = reagente A sem catalisador; T2 = reagente
A com catalisador; T3 = reagente B sem catalisador e T4
= reagente B com catalisador (correspondentes às
combinações dos reagentes com o catalisador).

No Exemplo 2.1, cada parcela corresponde a um

amarrado de fibras com dez centímetros de diâmetro e,
neste caso, não foi necessário usar bordadura porque uma
amostra sempre estava separada das outras.

Nesse exemplo foram utilizadas 5 repetições (cinco

amostras com cada teor de algodão), perfazendo 25
parcelas experimentais.

A aleatorização consistiu em submeter as amostras ao

teste de resistência em uma ordem determinada ao
acaso.

28 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

2.3 CONCEITOS FUNDAMENTAIS

Os conceitos fundamentais da Estatística Experimental

são aqueles necessários à compreensão da metodologia
estatística utilizada no planejamento, nas análises e na
inferência dos resultados dos experimentos. Estes
conceitos estão intimamente relacionados com a teoria da
Amostragem, com a Inferência Estatística e com a
modelagem do problema em estudo.

2.3.1 Erro Experimental

Vamos lembrar que as alterações nas respostas

provocadas pelos fatores são o objeto da nossa pesquisa,
mas outras variáveis consideradas de menor importância
ou aquelas cujo controle não foi eficiente e, ainda, outras
variáveis desconhecidas do pesquisador, também podem
provocar mudanças nas respostas que vamos obter.

Estes efeitos estarão confundidos com os efeitos do fator

em estudo provocando a variação que vamos observar
nas respostas. Essa variação indesejada é denominada
Erro Experimental.

29 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

O erro experimental pode fazer com que as inferências

sejam tendenciosas ou até mesmo inviabilizar a utilização
dos resultados das pesquisas.

O erro experimental também pode ser considerado como

o desvio de ajuste (erro de estimação) do modelo
proposto para explicar o efeito dos fatores sobre as
respostas.

Em se tratando de estudos de amostragem, ele sempre

estará presente e assim as técnicas de planejamento,
controle e de condução dos experimentos devem visar à
minimização da quantidade dessas variáveis e de seus
efeitos nas respostas, tornando constantes ou
irrelevantes suas manifestações nos resultados.

No Exemplo 2.1, algumas variáveis responsáveis pelo

erro experimental poderiam ser: regulagem da
máquina, variações na matéria prima e na preparação das
fibras, variações no diâmetro da amostra e muitas outras
relacionadas, principalmente com a condução do ensaio.

Quando o pesquisador busca conhecer as variáveis

envolvidas em um experimento e homogeneizar as
condições experimentais através de, por exemplo, seleção
do material experimental, treinamento de pessoal,
aperfeiçoamento da técnica de condução além de outros,
ele visa minimizar o erro experimental.
30 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

A precisão é função da variabilidade entre as medidas

efetuadas nas parcelas. Precisão alta implica em que as
observações iram fornecer estimativas mais próximas dos
valores da população.

Um processo de mensuração pode apresentar outro tipo

de erro – o erro sistemático. Neste caso, as medidas
obtidas são tendenciosas ou viesadas, subestimando ou
superestimando os valores verdadeiros. Este tipo de erro
não contribui para o erro experimental e, portanto, não
afeta a precisão do experimento, mas reduz a eficiência.

2.3.2 Controle Local

O controle local consiste no agrupamento das parcelas

de um experimento de maneira que os efeitos de variáveis
estranhas, mas conhecidas, não sejam confundidos com
os efeitos dos fatores.

Geralmente os grupos de parcelas são denominados

blocos e devem ser homogêneos, mas podem variar entre
si.

31 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

No Exemplo 2.1, supondo que, ao invés de apenas um

técnico fossem utilizados quatro pessoas diferentes para
conduzir o ensaio, poderíamos supor que a diferença de
habilidade entre os quatro técnicos afetaria
aleatoriamente a variável resposta. Uma solução para o
controle desta variável seria distribuir uma amostra de
cada um dos cinco tratamentos para cada técnico. Assim,
cada pessoa (ou bloco) estaria avaliando todos os
diferentes tratamentos com o mesmo critério pessoal.

Sempre que as categorias de várias variáveis puderem ser

combinadas, seus efeitos serão confundidos, mas o
controle simultâneo pelos blocos poderá ser efetuado.
Para usar o Exemplo 2.1, supondo que as medições não
pudessem ser realizadas em um mesmo dia da semana,
além de serem necessários os quatro técnicos, o
experimento poderia ser realizado em quatro dias
diferentes, em cada dia um determinado técnico iria
avaliar uma amostra de cada tratamento. Assim, os
tratamentos em cada bloco (técnico-dia), estariam sendo
avaliados com o mesmo grau de habilidade e sujeitos as
mesmas condições climáticas. Os efeitos de diferença de
habilidade dos técnicos e diferenças climáticas estariam
confundidos entre si, mas não estariam confundidos com
os efeitos das outras variáveis.

32 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

2.3.3 Interação entre Fatores

Nos experimentos com dois ou mais fatores, além dos

efeitos dos fatores, podemos esperar por um outro efeito
denominado interação entre os fatores.

A interação entre dois ou mais fatores significa que os

efeitos destas variáveis são relacionados ou que o efeito
de um fator depende da categoria do outro fator. Neste
caso, os efeitos observados nas variáveis respostas são
funções dos efeitos de cada fator e dos efeitos das
interações entres eles.

Mais discussões sobre interação entre fatores serão

apresentadas na unidade sobre ensaios fatoriais.

33 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

UNIDADE 3 – PLANEJAMENTO EXPERIMENTAL

São apresentadas aqui as condições que

afetam os resultados dos experimentos e os
fatores que devem ser considerados no
planejamento dos experimentos

34 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

UNIDADE 3 – PLANEJAMENTO EXPERIMENTAL

Os resultados dos experimentos são afetados pela ação

dos tratamentos que estamos comparando, mas também,
pelo efeito de variáveis estranhas que tendem a mascarar
seus efeitos. Estas variações formam o erro experimental.

As causas principais do erro experimental são:

Variabilidade inerente ao material experimental

onde foram aplicados os tratamentos e

a falta de uniformidade na condução física do

experimento.

Para atingir os objetivos propostos em uma pesquisa,

devemos procurar minimizar o erro experimental,
maximizando a precisão de nossos experimentos com a
realização de um bom planejamento e uma condução
consciente.

35 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

3.1 Requisitos para um bom Experimento

Um experimento fadado ao sucesso deve:

• Ser simples,
• Ter precisão suficiente e ausência de erro
sistemático,
• Possibilitar análises estatísticas apropriadas,
• Fornecer conclusões com grande amplitude de
validade.

Estes requisitos podem ser satisfeitos atentando pela:

- Escolha do Material Experimental,

- Seleção das Unidades Experimentais,
- Seleção dos Tratamentos,
- Agrupamento de Unidades Experimentais,
- Utilização de técnicas mais refinadas.

3.1.1 Escolha do Material Experimental

Para certos tipos de estudo é desejável um material

uniforme, cuidadosamente selecionado. Entretanto, na
seleção do material experimental, deve-se ter em mente
a população a respeito da qual se deseja obter conclusões.

36 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

Portanto, é importante empregar os tipos de materiais

que serão realmente utilizados na prática.

3.1.2 Seleção das Unidades Experimentais

No planejamento de experimentos de campo, tem-se feito

numerosos estudos da variabilidade entre os rendimentos
de cultivos em parcelas de diferentes tamanhos e formas
submetidas a tratamentos uniformes.

Em geral, a variabilidade decresce com o aumento na

precisão, mas uma vez atingido o tamanho ideal, o
aumento da precisão diminui rapidamente com tamanhos
maiores. As parcelas retangulares são mais eficientes na
superação da heterogeneidade do solo quando seu eixo
maior está na direção da menor variação do solo. O
critério para solucionar o melhor tamanho e forma da
parcela é aquele no qual se obtém a máxima exatidão
para um dado gasto de tempo e trabalho.

3.1.3 Seleção dos Tratamentos

Em certos casos, a seleção dos tratamentos tem um efeito

notável sobre a precisão de um experimento. Por
exemplo, ao se estudar o efeito de um fertilizante,
inseticida, fungicida ou herbicida, é mais útil determinar
como as parcelas respondem a doses crescentes do
produto do que decidir se duas doses sucessivas são ou

37 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

não significativamente diferentes. Consequentemente,

um conjunto apropriado de doses tornará possível
planejar testes de significância que são mais sensíveis do
que simplesmente comparar médias adjacentes em um
conjunto.

3.1.4 Agrupamento de Unidades Experimentais

O agrupamento planejado das unidades experimentais é

chamado de controle local. Através de certas restrições na
casualização dos tratamentos nas parcelas, é possível
remover algumas fontes de variação, tais como variações
na fertilidade do solo ou na disponibilidade de água ao
longo da área experimental. O agrupamento das parcelas
de modos diferentes dá origem aos diferentes
delineamentos experimentais.

3.1.5 Utilização de Técnicas mais Refinadas

Uma técnica errônea pode aumentar o erro experimental

e distorcer os efeitos dos tratamentos. A técnica é
responsabilidade do pesquisador. Uma técnica adequada
tem por objetivos:

a) A aplicação uniforme dos tratamentos - em

experimentos de adubação, em que se deseja avaliar
apenas os níveis de um dado nutriente, os demais

38 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

deverão ser aplicados de forma uniforme em todas as

unidades experimentais. Na prática, em experimentos
de campo, consegue-se uma boa aplicação dos
tratamentos, planejando-se com antecedência a
pesagem dos materiais (adubos, rações, meio de
cultura, etc.), ou a confecção de recipientes com peso
conhecido.

b) Proporcionar medidas adequadas e não viciadas dos

efeitos dos tratamentos - freqüentemente, as medidas
apropriadas são logo aparentes, no entanto, algumas
vezes, o desenvolvimento e o método satisfatório de
medidas requerem anos de investigação, como em
pesquisas sociológicas.

c) Prevenir erros grosseiros, dos quais nenhum tipo de

experimentação está inteiramente livre - a supervisão
e comprovação adequada do trabalho dos ajudantes e
um exame dos dados de cada unidade experimental,
por parte do pesquisador, muito contribuirá para a
descoberta e correção desses erros.

d) Controlar influências externas de forma que cada

tratamento produza seu efeito, quando submetidos a
condições desejáveis e comparáveis. É difícil
generalizar a respeito do grau de controle necessário;
pode-se fazer um balanço entre o ganho de precisão
obtido e o custo. A produção artificial de enfermidades
para experimentos sobre resistência a infecção
39 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

exemplifica um caso onde a experimentação não pode

avançar rapidamente sem controle sobre as condições
externas.

Uma técnica deficiente pode introduzir variações

adicionais de natureza mais ou menos aleatória. Tais
variações adicionais, quando significativas, se revelam na
estimação do erro que se calcula na análise de variância.
Em casos onde os erros estimados por um pesquisador
são consistentemente mais altos que os de outros, os
quais utilizam material semelhante, aconselha-se ao
pesquisador buscar a razão desta variação, a qual pode
ser encontrada nas diferenças de técnicas utilizadas por
ambos.

40 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

UNIDADE 4 – ANÁLISE DOS DADOS DE UM EXPERIMENTO

Neste capítulo é mostrada a análise de variância e o teste

F. As fórmulas de definição e as fórmulas práticas para
os cálculos relativos à análise de variância são
apresentadas. Através de um exemplo simples é
mostrada a interpretação do resultado da análise de
variância.

41 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

UNIDADE 4 – ANÁLISE DOS DADOS DE UM

EXPERIMENTO

Você pode considerar de uma maneira simplista, que o

objetivo em um experimento é comparar os tratamentos
e saber se eles exercem o mesmo efeito em uma
característica avaliada ou se pelo menos um deles tem
efeito diferente de outro.

Será que podemos tomar uma decisão sobre o efeito dos

tratamentos com base apenas em um resultado
observado para cada um deles?

A maneira mais natural parece ser comparar as médias

obtidas para cada um dos tratamentos analisando as
diferenças entre elas. Mas quando fazemos várias
observações em cada tratamento (repetições) para
obtermos os valores médios, iremos observar que os
valores variam entre si inclusive entre os valores de um
mesmo tratamento.

➔ Quais as causas desta variabilidade?

➔ Quais as causas da variabilidade entre as
observações de um mesmo tratamento?
➔ Isto irá afetar a comparação entre as médias
dos tratamentos?

42 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

4.1 Causas da Variabilidade

Todo conjunto de dados obtido em um experimento

apresenta variabilidade entre seus componentes. Vamos
considerar o exemplo seguinte.

Exemplo 4.1

Foram anotadas as produções de uma variedade de trigo

recomendada para Minas Gerais. Foram plantadas no
campo experimental da Universidade Federal de Lavras -
UFLA, com semeadura realizada no mês de maio de 1997,
sob regime de cultivo irrigado. O solo é um Latossolo
Vermelho Amarelo, corrigido de acordo com a análise de
terra, seguindo as recomendações da Comissão Centro
Brasileira de Pesquisa do Trigo. Os tratos culturais e
controle de pragas e doenças foram os comuns para a
cultura. Foi obtido o peso de grãos na área útil de cada
parcela (10 m2): W = {2,0; 2,2; 2,3; 2,5; 3,0; 3,2; 2,8;
2,9; 2,4; 2,7}.

Através de um cálculo simples podemos ter uma idéia da

variabilidade desse conjunto de dados:

- calculamos a média destes dados (no caso, 2,6 kg);

- de cada dado do conjunto subtraímos a média;

- elevamos ao quadrado cada desvio obtido e

43 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

- somamos os resultados obtendo Soma dos Quadrados

dos Desvios (SQD) que é uma medida de variabilidade:

SQD = (2,0 – 2,6)2 + (2,2 – 2,6)2 +... + (2,7 – 2,6)2 = 1,32 kg2

Nesse exemplo, é razoável supor que toda a variabilidade

observada no conjunto de dados W seja devida a:

. heterogeneidade na fertilidade do solo,

. variabilidade genética das sementes,

. variações na condução do experimento (variações na

correção do solo, na irrigação, na adubação, na condução,
na colheita e pesagem e outros),

. outras causas aleatórias (ataques de pragas e doenças,

etc).

Vamos considerar agora que as produções do conjunto W

tenham sido devidas a duas variedades ao invés de uma
variedade única e que o subconjunto WA contenha as
produções da variedade A e WB as produções da outra
variedade.

WA = {2,0; 2,2; 2,3; 2,5; 3,0} Média = 2,4 kg

WB = {3,2; 2,8; 2,9; 2,4; 2,7} Média = 2,8 kg

A variabilidade em cada um desses conjuntos é:

SQD dentro de WA=

44 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

=(2,0 – 2,4)2 + (2,2 – 2,4)2 +... + (3,0 – 2,4)2 = 0,58 kg2

SQD dentro de WB=

=(3,2 – 2,8)2 + (2,8 – 2,8)2 +... + (2,7 – 2,8)2 = 0,34 kg2

Essas variedades são os tratamentos que

propositadamente foram incluídos no experimento. Nesse
caso nosso interesse consiste em comparar as produções
das duas variedades.

Aqui temos um experimento com dois tratamentos

(variedades A e B de trigo) e com 5 repetições para cada
um. A variabilidade observada nesse experimento
provavelmente seja devida a:

- duas variedades de trigo,

- heterogeneidade na fertilidade do solo,

- variabilidade genética das sementes,

- variações na condução do experimento (variações na

correção do solo, na irrigação, na adubação, nos tratos
culturais, na colheita e pesagem e outros),

- outras causas aleatórias (ataques de pragas e doenças,

outras).

45 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

Porque a soma da medida da variabilidade da

variedade A com a da variabilidade de B não é igual
à medida da variabilidade do conjunto todo?

4.2 Análise da Variabilidade

As produções médias das variedades são 2,4 e 2,8

Kg/10m2, respectivamente. Podemos concluir que a
variedade B é mais produtiva? Podemos pensar que no
plantio extensivo (grandes áreas, plantio comercial, etc),
a variedade B irá produzir mais que a variedade A?

Como existem outras variáveis afetando as médias alem

do efeito das variedades, não podemos analisar apenas
essas médias para decidir se a variedade B é “realmente”
mais produtiva do que a variedade A.

A técnica estatística para tentar respostas para problemas

desse tipo foi introduzida por R. A. FISHER, na década de
20 e é chamada Análise de Variância.

O primeiro passo consiste na formalização da hipótese a

ser testada. A hipótese de nosso interesse é (releia o 1º
parágrafo desta unidade): não existem diferenças entre
os efeitos dos tratamentos na variável resposta.

46 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

A hipótese que assume que os tratamentos têm o mesmo

efeito ou de que os efeitos não diferem entre si, é
denominada hipótese de nulidade e a notação utilizada
é H0.

Em geral, a hipótese de nulidade para os efeitos de I

tratamentos (𝝉𝒊 ) pode ser formalizada do seguinte modo:

H0:  1 =  2 =  =  I

A hipótese alternativa em geral é: existe pelo menos uma

diferença entre efeitos dos tratamentos.

A metodologia descrita a seguir irá utilizar os dados

obtidos no experimento para justificar a aceitação ou a
rejeição de H0.

4.2.1 Tabela da Análise de Variância

A variabilidade presente em um ensaio é analisada com o

auxílio de uma tabela padrão denominada: Tabela da
Análise de Variância, cujo modelo é apresentado a
seguir. As colunas dessa tabela referem-se a:

FV – Fontes de Variação

47 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

Nessa coluna são descritas as causas de variabilidade dos

dados do experimento. Nosso interesse está em conhecer
a variabilidade ENTRE os TRATAMENTOS. Todas as
outras fontes de variabilidade são agrupadas em
RESÍDUO.

GL – Graus de Liberdade

A cada fonte de variação está associado um número de

graus de liberdade.

SQ – Somas de Quadrados

São as somas dos quadrados de desvios ou as medidas de

variabilidade calculadas para cada fonte de variação.

QM – Quadrados Médios

São obtidos pela razão entre as Somas de Quadrados e os

seus respectivos graus de liberdade. São as medidas de
variabilidade para cada fonte de variação, comparáveis
entre si.

FC – valor da estatística F

48 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

É o valor obtido para a comparação entre os quadrados

médios, dado pela razão entre o QM Entre Tratamentos e
o QM do Resíduo. É a estatística de teste apropriada para
o teste de hipótese sobre os quadrados médios.

TABELA 4.1 Modelo de Tabela de Análise de

Variância.

FV GL SQ QM Fc

Entre GLEntre SQEntre SQEntre/ QMEntre/

Tratamentos
GLEntre QMDentro

Dentro de GLDentro SQDentro SQDentro/

Tratamentos GLDentro

Total GLTotal SQTotal

Na Tabela 4.1 observamos que Variabilidade Total

existente nos dados do experimento esta dividida em:

Variabilidade Entre Tratamentos – provocada pelos

tratamentos e por outras fontes de variabilidade e

Variabilidade Dentro de Tratamentos – provocada por

várias fontes de variabilidade, exceto tratamentos.

49 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

4.2.2 Procedimento Geral

Para facilitar o seu entendimento da análise de variância,

vamos inicialmente considerar o exemplo genérico de um
experimento com I tratamentos, cada tratamento com ri
repetições. Y é uma variável resposta qualquer e os dados
obtidos serão representados por yij, onde i refere-se ao
tratamento (i=1,2,...I) e j refere-se à repetição (j = r1,
r2,..., rI). O número total de parcelas é N = r1 + r2 +...+
rI.

Após a coleta dos dados, a organização em uma tabela

como a seguir irá facilitar nossos cálculos.

Repetições Totais de
Tratamentos 1 2 ... J Tratamentos
1 y11 y12 ... y1r1 T1

2 y21 y22 ... y2r2 T2

... ... ... ... ... ...

I yI1 yI2 ... yIrI TI

50 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

Os passos necessários para o preenchimento da tabela da

análise de variância são descritos a seguir.

FV: A variação observada entre todos os dados, também

chamada de Variação Total, é dividida em Variação
Entre Tratamentos (ou simplificadamente
Tratamentos) e Variação Dentro de Tratamentos
(ou Resíduo).

GL: Para ENTRE TRATAMENTOS: é a quantidade de

tratamentos menos uma unidade (I –1);

Para TOTAL: é o número total de parcelas menos

um (N – 1);

Para o RESÍDUO: é a soma dos graus de liberdade

dentro dos tratamentos. Dentro de cada tratamento
o número de graus de liberdade corresponde ao
número de repetições do tratamento menos um (ri
- 1). Na prática, o grau de liberdade para o resíduo
é obtido pela diferença entre o GLTotal e o
GLTratamentos.

SQ:

SQTotal: é a soma dos quadrados das diferenças

entre cada observação (𝒚𝒊𝒋 ) e a média geral do
experimento (𝒚
̅.. ).

51 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

_
SQTOTAL =  ( y ij − y .. ) 2
ij

(fórmula de definição)

Desenvolvendo o 2o termo da expressão, chegamos

a:

( y ij ) 2
SQTOTAL =  y ij2 −
ij

ij N

(fórmula prática)

SQTratamentos: corresponde a soma dos

quadrados das diferenças entre as médias de cada
tratamento (𝒚
̅𝒊. ) e a média geral lembrando que
cada média de tratamento foi obtida de ri
repetições.

_ _
SQTRATAMENTOS =  ri ( y i. − y) 2
i

A fórmula prática, sendo Ti o total de cada

tratamento (somas dos dados das repetições para o

tratamento i) e ri o número de repetições do
tratamento i é:

2
( x ij ) 2
Ti
SQTRATAMEN TOS =  −
ij

i ri N

52 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

SQResíduo: é o somatório das somas de

quadrados dos desvios entre as repetições de cada
tratamento e sua média, considerados todos os I
tratamentos.

SQErro =   ( y ij − y i. ) 2
i j

Na prática, fazemos: SQErro = SQTotal –

SQTratamentos.

QM: Cada Quadrado Médio é obtido dividindo-se a Soma

de Quadrados pelo respectivo número de Graus de
Liberdade.

FC: Corresponde à razão entre o QMratamentos e o

QMResíduo.

Vamos usar novamente o Exemplo 4.1 determinando as

somas de quadrados e apresentando os resultados da
análise de variância na Tabela 4.2.

SQTotal = 2,02 + 2,22 + ... + 2,72 - 262 /10 = 1,32

SQVariedades = 122/5 + 142/5 - 262 /10 = 0,40

53 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

SQResíduo = 1,32 – 0,40 = 0,92

TABELA 4.2 Análise de Variância para as

Produções das Duas Variedades de
Trigo.

Fontes de Variação GL SQ QM FC

Entre Variedades 1 0,40 0,40 3,33

Erro Experimental 8 0,92 0,12

Total 9 1,32

Desafio:

Para você calcular uma análise de variância, os dados da

Tabela 4.3, são as produções de massa verde (t/ha) de
uma cultivar de sorgo plantado em três diferentes
espaçamentos. Apresente a análise da variância na tabela
4.4.

TABELA 4.3 Produções de Massa Verde (t/ha)

de uma Cultivar de Sorgo.

54 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

ESPAÇAMENTOS

REPETIÇÕES 0,50 0,75 0,90

I 186 158 190
II 180 173 215
III 187 175 221
IV 181 174 195
V 184 170 210
TOTAIS 918 850 1.031

TABELA 4.4 Análise de Variância para as

Produções de Massa Verde.

Fontes de Variação GL SQ QM FC

Espaçamentos

Resíduo

Total

4.2.3 Teste F

55 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

Podemos considerar a análise de variância como um teste

de hipótese sobre os efeitos dos tratamentos: H0 : não
existem diferenças entre os efeitos dos tratamentos.

Para o teste desta hipótese é necessário que os dados

experimentais satisfaçam a algumas pressuposições.
Estes requisitos são denominados Hipóteses
Fundamentais da Análise de Variância e serão discutidos
posteriormente. No momento, vamos considerar que
estas pressuposições tenham sido satisfeitas.

Se H0 for falsa, ou seja, existe pelo menos dois efeitos de

tratamentos diferentes, as diferenças entre os reais
efeitos dos tratamentos aumentarão o valor da
SQTratamentos mas não afetarão a SQResíduo fazendo
com que a razão entre QMTratamentos e QMResíduo seja
maior que 1.

Mas, se H0 for verdadeira, isto é, os efeitos dos

tratamentos são iguais, o QMTratamentos e o QMResíduo
serão estimativas do mesmo parâmetro e, portanto, a
razão entre eles deverá ser próxima de 1.

A distribuição de probabilidade para a razão entre duas

variâncias é conhecida como distribuição F. A estatística

56 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

FC = QMTratamentos/QMErro tem distribuição de F com

(I – 1) e (N – 1) graus de liberdade.

Com estas considerações e as condições estatísticas

asseguradas pelo experimento podemos comparar os
valores Fc e Ft, mas como estamos utilizando amostras,
sempre nos defrontamos com o erro experimental. Por
isto não podemos ter certeza em nossos resultados.
Precisamos admitir um nível de confiança nas nossas
decisões diferente de 100%. O nível de significância é o
complemento do grau de confiança.

Como escolher o nível de significância (  )?

Geralmente toma-se  =5% ou menor. Esta é a

probabilidade do erro Tipo I, isto é, a probabilidade de
rejeitarmos H0 quando a mesma for verdadeira.

A maioria dos programas computacionais utilizados para

a análise de variância determina o nível de significância
exato para cada teste F em cada análise de variância.
Quando este recurso não estiver disponível, deveremos
utilizar tabelas prontas com os valores da distribuição F
como aquela apresentada na Tabela A.1.

57 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

Os valores obtidos nas tabelas da distribuição F, de acordo

com o nível de significância escolhido, deverão ser
comparados com o valor da estatística Fc da tabela da
análise de variância.

Qual é a regra de decisão?

Se o valor Fc for maior que o valor F tabelado, rejeita-se

H0 e consideramos o teste F significativo ao nível de %
de probabilidade, isto é, admitimos que, com (100 - )%
de confiança, existe pelo menos uma diferença entre os
efeitos dos tratamentos.

Caso o valor Fc seja menor ou igual ao valor F ao nível de

%, não existem evidências para rejeitarmos H0.
Consideramos o teste não-significativo ao nível de %,
isto é, as diferenças numéricas observadas entre as
médias dos tratamentos são irrelevantes no contexto
daquele experimento.

Para os dados da Tabela 4.2, tomando  = 5% temos que

Ft = 5,32 (Tabela A.1). Pela regra de decisão, não existem
evidências para rejeitar H0, portanto esse resultado indica
que não existe diferença significativa entre as
produtividades médias das duas variedades. A diferença
observada entre as duas médias (2,4 para 2,8) é
considerada não-significativa.
58 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

A Figura 4.1 apresenta uma interpretação gráfica para o

resultado do teste F para a Análise de Variância
apresentada na Tabela 4.2.

3,48 (F calculado)

RAH0 95%
5,32 (F tabelado)

RRHo 5%
RAH0 = Região de Aceitação de H0
RRH0 = Região de Rejeição de H0

FIGURA 4.1 Interpretação Gráfica do Teste F

(Tabela 4.2).

Desafio:

a) Suponha que o teste F para a Tabela 4.2 tivesse sido

significativo. Qual o resultado do experimento neste
caso?
b) Aplique o teste F na análise de variância da Tabela
4.4. Comente o resultado deste teste.

59 | P á g i n a
 ESTATÍSTICA EXPERIMENTAL

UNIDADE 5 – COMPARAÇÕES ENTRE MÉDIAS DE TRATAMENTOS –

TESTE TUKEY

Você irá aprender a comparar as médias dos tratamentos para

completar a análise de variância dos experimentos. Vamos
utilizar o teste Tukey para identificar as diferenças
significativas entre as médias dos tratamentos.

60 | P á g i n a
 Estatística Experimental

UNIDADE 5 – COMPARAÇÕES ENTRE MÉDIAS DE

TRATAMENTOS – TESTE TUKEY

Você já sabe que se o teste F para tratamentos na Análise

de Variância for significativo, existem evidências para a
não aceitação de H0 como verdadeira, ao nível % de
probabilidade, isto é, existem efeitos diferenciados
para, pelo menos dois tratamentos.

Agora, o próximo passo será a identificação das diferenças

existentes entre os tratamentos (caso sejam mais de dois
tratamentos). Se o fator em estudo é uma variável
qualitativa (variedades, tipos de adubos, diferentes dietas
alimentares) o procedimento apropriado é o das
comparações entre as médias dos tratamentos.

5.1 Comparações das Médias Duas a Duas

𝑰!
Se o experimento tem I tratamentos são possíveis 𝟐! (𝑰−𝟐)!

combinações diferentes com as médias desses

tratamentos, tomadas duas a duas.

Veja que para o exemplo da Tabela 5.1 são possíveis as

comparações:

61 | P á g i n a
 Estatística Experimental

– mA comparada com mB

– mA comparada com mC

– mB comparada com mC

TABELA 5.1 Alturas de Plantas, em cm, de Três

Cultivares de Milho.

CULTIVARES
Repetições A B C
I 1,62 1,91 2,15
II 1,75 2,09 2,12
III 1,71 1,88 1,99
IV 1,80 2,10 2,15
V 1,95 2,18 2,10
VI 1,76 2,12 2,14
VII 1,69 2,14 2,11
Médias 1,75 2,06 2,11

A análise de variância para o Exemplo 5.1 mostra que o

teste F para tratamentos é significativo a 5% de
probabilidade (Tabela 5.2).

TABELA 5.2 Análise de Variância para as Alturas

Cultivares de Milho.

62 | P á g i n a
 Estatística Experimental

Fontes de Variação GL SQ QM Fc
Entre Cultivares 2 0,5165 0,2582 28,16 *
Resíduo 18 0,1651 0,0092
Total 20 0,6815
** significativo ao nível de 5% de probabilidade

5.2 Teste Tukey

O teste mais utilizado na experimentação para a

comparação das médias de tratamentos tomadas duas a
duas é o teste Tukey.

Esse teste consiste em, para cada comparação entre duas

médias, comparar a diferença entre elas com a diferença
mínima significativa (DMS) calculada com o critério de
Tukey. A regra de decisão é a de que se a diferença for
maior que a DMS, o teste será significativo e as duas
médias consideradas estatisticamente diferentes.

A DMS para o teste Tukey é dada por:

𝟏
DMS = 𝒒(𝑰,𝒗,∝%) √𝟐 ̂
𝑽𝒂𝒓(𝒎𝒊 − 𝒎𝒋 )

onde 𝒒(𝑰, 𝒗, 𝜶%) é a amplitude total estudentizada para uso

no teste Tukey ao nível de % de probabilidade para I

63 | P á g i n a
 Estatística Experimental

tratamentos e v graus de liberdade do Resíduo (Tabela

A2).

Se os tratamentos têm o mesmo número de repetições

(J), a DMS é:

QMErro
DMS = q( I ,v ) .
J

Para o exemplo da Tabela 5.1 obtemos 𝑫𝑴𝑺𝟓% =

𝟎,𝟎𝟎𝟗𝟐
𝟑, 𝟑𝟑 √ = 0,13 cm e os resultados são:
𝟕

Comparação 1: 1,75 – 2,06 = -0,31cm

Como a diferença (em valor absoluto) é maior que a DMS

(0,13), os tratamentos A e B têm médias diferentes, ao
nível de 5% de probabilidade e, portanto, a altura média
da cultivar B é superior à altura média da cultivar A.

Comparação 2: 1,75 – 2,11 = -0,36 cm

A cultivar C tem altura média estatisticamente superior à

altura média da cultivar A.

Comparação 3: 2,06 – 2,11 = -0,05 cm

64 | P á g i n a
 Estatística Experimental

As cultivares B e C tem as mesmas alturas médias ao nível

de 5% de probabilidade.

Podemos apresentar esses resultados em uma tabela

como a seguir.

TABELA 5.3 Alturas Médias de Cultivares de

Milho.

Cultivares Médias (*)

A 1,75 b

B 2,06 a

C 2,11 a
(*) As médias seguidas da mesma letra não diferem entre si ao nível de 5% de
probabilidade.

Um modo mais prático para a aplicação do teste Tukey,

principalmente para um número maior de tratamentos é
utilizar o algoritmo seguinte.

1 Cálcular a DMS;

65 | P á g i n a
 Estatística Experimental

2 Ordenar as médias (ordem decrescente) e colocar a

letra a para a primeira média. Esta será a primeira
média base.

3 Subtrair a DMS da média base, obtendo o intervalo:

[(média base); (média base – DMS)]. Toda média
contida neste intervalo recebe uma mesma letra. A
primeira média fora do intervalo recebe uma letra
diferente. Se o intervalo contiver a última média
terminou senão, continuar.

4 Mudar a base para a próxima média (sem saltar

nenhuma). Se a média base for a última média,
terminou senão, voltar ao passo 3.

Com as devidas alterações, o algoritmo se aplica

analogamente, tomando-se as médias em ordem
crescente e somando a DMS em cada passo.

Exemplo 5.1

A Tabela 5.4 apresenta as produções, em Kg/parcela, de

seis cultivares de arroz: A – Pratão; B – Dourado Precoce;
C – Pérola; D – Batatais; E – IAC-4 e F – IAC-9. A análise
de variância esta apresentada na Tabela 5.5.

TABELA 5.4 Produções, em kg/parcela, obtidas

de Seis Cultivares de Arroz.

66 | P á g i n a
 Estatística Experimental

Tratamentos
Repetições A B C D E F
I 2,6 2,8 2,4 1,3 1,0 3,3

II 1,6 1,8 2,7 1,1 1,8 2,8

III 1,4 1,8 2,1 1,3 1,2 2,3

IV 2,4 3,0 2,4 1,4 0,8 2,6

V 2,0 2,4 3,1 1,7 1,9 2,8

Totais 10,0 11,8 12,7 6,8 6,7 13,8

TABELA 5.5 Análise de Variância para as

Produções das Cultivares de Arroz.

Fontes de Variação GL SQ QM Fc
Entre Cultivares 5 9,11 1,82 9,58 **
Resíduo 24 4,52 0,19
Total 29 13,63
** significativo ao nível de 1% de probabilidade

A aplicação do teste Tukey, utilizando o algoritmo descrito

é:

0,19
1-> DMS = q(6,24) = 4,37 x 0,194936 = 0,8
5

2->
F 2,8a

67 | P á g i n a
 Estatística Experimental

C 2,5
B 2,4
A 2,0
D 1,4
E 1,3

3-> 2,8 – 0,8 = 2,0

Todas as médias no intervalo [2,0 ; 2,8] são iguais à

média base; a primeira média fora do intervalo recebe
uma letra diferente:

F 2,8a
C 2,5a
B 2,4a
A 2,0a
D 1,4 b
E 1,3

Foram colocadas letras a para as médias C, B e A por

serem iguais a F e a letra b para a média D por ser a
primeira diferente de F.

Como o intervalo anterior não incluiu a última média e a

próxima média base não é a última média, muda-se a
média base para a próxima média e repete-se o passo 3:

F 2,8a
C 2,5a
B 2,4a
A 2,0a
D 1,4 b
E 1,3

3-> 2,5 – 0,8 = 1,7

68 | P á g i n a
 Estatística Experimental

F 2,8a
C 2,5a
B 2,4a
A 2,0a
D 1,4 b
E 1,3

Observe que todas as médias no intervalo [1,7; 2,5] são

iguais à média base e a primeira média fora do intervalo
já possui uma letra diferente. Neste caso não há
alteração.

Como o intervalo anterior não incluiu a última média e a

próxima média base não é a última média, muda-se a
média base para a próxima média e repete-se o passo 3:

F 2,8a
C 2,5a
B 2,4a
A 2,0a
D 1,4 b
E 1,3

3-> 2,4 – 0,8 = 1,6

F 2,8a
C 2,5a
B 2,4a
A 2,0a
D 1,4 b
E 1,3

Observe que todas as médias no intervalo [1,6; 2,4] são

iguais à média base e a primeira média fora do intervalo

69 | P á g i n a
 Estatística Experimental

já possui uma letra diferente. Neste caso também não há

alteração.

Como o intervalo anterior não incluiu a última média e a

próxima média base não é a última média, muda-se a
média base para a próxima média e repete-se o passo 3:

F 2,8a
C 2,5a
B 2,4a
A 2,0a
D 1,4 b
E 1,3

3-> 2,0 – 0,8 = 1,2

F 2,8a
C 2,5a
B 2,4a
A 2,0ab
D 1,4 b
E 1,3 b

Observe agora que as médias no intervalo [1,2; 2,0] são

iguais à média base (que já tem a letra) e uma das médias
já tem uma letra b. A letra a não pode ser usada, mas a
letra b foi usada para todas as médias neste intervalo (A,
D e E).

Como o intervalo anterior incluiu a última média o

processo terminou e o resultado final é apresentado na
Tabela 5.6.

70 | P á g i n a
 Estatística Experimental

TABELA 5.6 Produções Médias (Kg/parcela)

para Seis Cultivares de Arroz.

Cultivares Produções Médias

Pratão 2,0 ab
Dourado Precoce 2,4 a
Pérola 2,5 a
Batatais 1,4 b
IAC-4 1,3 b
IAC-9 2,8 a
As médias seguidas da mesma letra, não diferem entre si pelo Teste Tukey, ao nível
de 5% de probabilidade.

COMO INTERPRETAR ESTES RESULTADOS?

Uma possibilidade é:

As cultivares Dourado Precoce, Pérola e IAC-9

apresentaram as mesmas produtividades e superando as
produtividades das cultivares Batatais e IAC-4. As
cultivares Pratão, Batatais e IAC-4 apresentaram mesmas
produtividades médias.

71 | P á g i n a
 Estatística Experimental

Desafios:

1. Abaixo estão os dados de Peso Médio Final (kg) em

um experimento com diferentes aditivos (A, B, C e
D) utilizados na ração para peixes. Foram utilizados
12 tanques de 500 litros de água com 20 peixes em
cada um.

D C B D
0,93 1,40 1,12 1,21

A B B A
1,04 0,98 1,14 1,14

C A D C
1,22 1,33 1,16 1,24

1.1 Coloque os dados do croqui em uma tabela

Tratamentos x Repetições.

1.2 Apresente uma tabela com a análise de variância.

1.3 Apresente uma tabela com as médias dos

tratamentos.

1.4 Comente os resultados que julgar relevantes.

72 | P á g i n a
 Estatística Experimental

2. Um experimento foi conduzido para comparar

quatro cultivares de tomate quanto à textura dos
frutos. As medidas foram realizadas em uma
pequena porção da casca na região equatorial do
fruto. Os valores obtidos são apresentados a seguir
e estão expressos em Newton (N), onde valores
mais altos correspondem a frutos mais firmes.
Apresente a análise de variância e comente os
resultados.

A D A A B
15,1 17,5 11,4 13,7 26,5
A B C C C
13,5 23,5 17,7 14,6 15,3
B C D B D
25,6 16,3 13,7 24,2 15,9
D D C B A
15,3 16,5 15,6 22,3 13,2

3. Os dados seguintes são as produções, em

Kg/parcela, de 5 cultivares de milho. Foi utilizado do
delineamento Inteiramente Casualizado com quatro
repetições. Apresente a análise de variância e
comente os resultados.

REPETIÇÕES
CULTIVARES I II III IV
ESAL-2 2,6 3,2 2,8 2,8
SL 15 2,0 2,2 1,6 1,8
SL 7 1,9 1,8 2,0 2,0
IAC 18 1,2 1,1 1,3 1,4
IAC 38 2,2 2,2 2,2 2,3

73 | P á g i n a
 Estatística Experimental

4. As produções de repolho (kg/10m2) obtidas em um

experimento em Delineamento Inteiramente
Casualizado onde foram estudadas diferentes fontes
de Nitrogênio estão apresentadas a seguir. Efetue a
análise de variância e comente os resultados.

REPETIÇÕES
TRATAMENTOS I II III
Nitrocálcio 66,2 61,3 79,5
Esterco de Curral 80,0 50,4 71,3
Uréia 75,5 61,0 65,6
Sulfato de Amônia 88,2 81,8 83,7
Testemunha 39,7 36,6 46,5

74 | P á g i n a
 Estatística Experimental

UNIDADE 6 – ESTUDO DAS MÉDIAS - REGRESSÃO LINEAR

Nesse tópico são apresentadas as metodologias de Análise

de Regressão Linear Simples e de Ajuste de Modelos de
Regressão Polinomial na Análise de Variância.

75 | P á g i n a
 Estatística Experimental

UNIDADE 6 – ESTUDO DAS MÉDIAS – REGRESSÃO

LINEAR SIMPLES

6.1 REGRESSÃO

Em muitos estudos o objetivo é identificar a forma de

relacionamento entre variáveis. O que procuramos é
mensurar o quanto variáveis diferentes são relacionadas
entre si e conseguir um modelo matemático que explique
de que forma variáveis se relacionam.

A análise de correlação avalia o grau de associação entre

variáveis e a análise de regressão procura verificar a
existência de uma relação funcional entre essas variáveis.

A análise de regressão consiste na obtenção de uma

função que explique a variação em uma variável

76 | P á g i n a
 Estatística Experimental

(chamada variável dependente) pela variação dos valores

de outra (s) variável (is), designada (s) variável (is)
independente(s).

Vamos considerar apenas duas variáveis: X como variável

independente, ou seja, os valores assumidos só
dependem do pesquisador e uma variável dependente (Y)
cujos valores são afetados pela variação em X.

O comportamento de Y em relação a X pode ser expresso

por diversos modelos matemáticos: linear, quadrático,
cúbico, exponencial, logarítmico e muitas outras.

Se fizermos um gráfico simples (X, Y) poderemos ter uma

idéia inicial de como se comportam os valores da variável
dependente (Y) em função da variação da variável
independente (X). Observando este gráfico você poderá
tentar estabelecer o tipo de curva ou um modelo
matemático que mais se aproxime dos pontos plotados.
Veja os dados do Exemplo 6.1 quando apresentados na
Figuras 6.1a e 6.1b.

Exemplo 6.1
As produções médias de leite em kg (Y) de um grupo de
vacas tratadas com diferentes níveis de proteína em % na
ração (X) são apresentadas na Tabela 6.1.

TABELA 6.1 Produções médias de leite em Kg.

77 | P á g i n a
 Estatística Experimental

X 10 12 14 16 18 20 22 24 26 28
Y 11,8 12,0 12,1 13,2 14,1 14,4 15,6 16,0 16,4 17,0

FIGURA 6.1a Dispersão das Produções Médias de

Leite em função dos Níveis de
Proteína (%).

78 | P á g i n a
 Estatística Experimental

FIGURA 6.1b Curva de Tendência Linear para as

Produções Médias de Leite em
Função dos Níveis de Proteína (%).

Contudo, observamos que os pontos do gráfico (diagrama

de dispersão), não vão coincidir perfeitamente com a
curva do modelo matemático proposto. Haverá na maior
parte dos pontos, uma distância entre os pontos do
diagrama e a curva do modelo matemático. Isto acontece,
devido ao fato de que o que está em estudo não é um
fenômeno matemático e sim um fenômeno natural ou um
processo que está sujeito a influências de muitas outras
variáveis não consideradas no estudo.

Assim, o objetivo da análise de regressão é obter um

modelo matemático que melhor se aproxime dos valores
observados de Y em função da variação em X. Chamamos
este procedimento de ajuste de um modelo de regressão
a um conjunto de dados de observação.

79 | P á g i n a
 Estatística Experimental

Na escolha do modelo para o estudo de regressão,

devemos considerar:

• O modelo selecionado deve ser condizente tanto no

grau como no aspecto da curva, para representar
em termos práticos, o fenômeno em estudo;

• O modelo deve conter apenas as variáveis que são

relevantes para explicar o fenômeno.

6.2 REGRESSÃO LINEAR SIMPLES

A regressão linear simples consiste em utilizar o modelo

linear do 1º grau (modelo estatístico) para explicar a
relação entre duas variáveis. O polinômio do 1º grau é
definido por:

𝐘𝐢 = 𝛃𝟎 + 𝛃𝟏 𝐗 𝐢 + 𝛆𝐢

em que:

Yi corresponde ao i-ésimo valor da variável dependente;

Xi corresponde ao i-ésimo valor da variável independente;

𝛃𝟎 e 𝛃𝟏 são os parâmetros do modelo (coeficiente linear e

coeficiente angular, respectivamente);

80 | P á g i n a
 Estatística Experimental

𝛆𝐢 é o erro não observável que corresponde à distância

entre o valor observado e o ponto correspondente na
curva e i = 1, 2,..., n.

Um dos métodos que utilizamos para conhecer a relação

funcional se baseia na obtenção de uma equação em que
as distâncias entre os pontos observados e os pontos da
curva do modelo matemático, sejam as menores
possíveis. Se considerarmos as distâncias ao quadrado,
este método é denominado de Método dos Mínimos
Quadrados (MMQ).

Para obter a equação de regressão linear ajustada aos

seus dados (𝐱 𝐢 , 𝐲𝐢 ) você pode utilizar as fórmulas
seguintes, que são os estimadores de MMQ de 𝛃𝟎 e 𝛃𝟏 :

∑𝐧𝐢 𝐱 𝐢 ∑𝐧𝐢 𝐲𝐢
∑𝐧𝐢 𝐱 𝐢 𝐲𝐢 −
̂𝟏 =
𝛃 𝐧
𝐧
(∑ 𝐱 )𝟐
∑𝐧𝐢 𝐱 𝐢𝟐 − 𝐢 𝐢
𝐧

∑𝐧𝐢 𝐲𝐢 ∑𝐧 𝐱
̂𝟎 =
𝛃 ̂𝟏 𝐢 𝐢
−𝛃
𝐧 𝐧

Uma vez obtida estas estimativas, podemos escrever a

equação estimada:

Ŷi = ˆ 0 + ˆ 1X i

Vamos ajustar o modelo de regressão linear simples aos

dados do Exemplo 6.1

81 | P á g i n a
 Estatística Experimental

➔ da tabela 6.1 obtemos:

X
i
i = 10 + 12 +  + 28 = 190

X
i
2
i = 10 2 + 12 2 +  + 28 2 = 3940

Y
i
i = 11,8 +  + 17,0 = 142,6

Y
i
i
2
= 11,8 2 +  + 17,0 2 = 2067,38

 X Y = (10  11,8) + (12  12,0) +  + (28  17,0) = 2814

i
i i

n = 10

➔ para o modelo proposto 𝐘𝐢 = 𝛃𝟎 + 𝛃𝟏 𝐗 𝐢 + 𝛆𝐢 temos:

𝟏𝟗𝟎 𝐱 𝟏𝟒𝟐, 𝟔
𝟐𝟖𝟏𝟒 −
̂𝟏 =
𝛃 𝟏𝟎 = 𝟎, 𝟑𝟏𝟕𝟎
(𝟏𝟗𝟎)𝟐
𝟑𝟗𝟒𝟎 − 𝟏𝟎

𝟏𝟒𝟐, 𝟔 𝟏𝟗𝟎
̂𝟎 =
𝛃 − 𝟎, 𝟑𝟏𝟕𝟎 = 𝟖, 𝟐𝟑𝟕𝟎
𝟏𝟎 𝟏𝟎

➔ resultado:

A equação de regressão estimada é:

Ŷi = 8,2370 + 0,3170 X i .

ATENÇÃO!

82 | P á g i n a
 Estatística Experimental

A equação estimada apenas estabelece uma relação

funcional entre a variável dependente e a variável
independente para representar o fenômeno em
estudo. Portanto a simples obtenção da equação
estimada não responde ao pesquisador se a
variação da variável independente influencia
significativamente na variação da variável
dependente.

6.2.1 Análise de Variância para Regressão

Um teste de hipótese para os parâmetros (coeficientes da

equação de regressão) pode nos fornecer um nível de
confiança para a adequação do modelo ajustado aos
dados.

A metodologia indicada para tal é realizar o teste F da

análise de variância para a regressão com os dados
observados em função do modelo proposto. Veja o modelo
apresentado na Tabela 6.2.

TABELA 6.2 Modelo de Análise de Variância para

os Modelos de Regressão.

FV GL SQ QM F
Regressão p SQReg QMReg Fc
Resíduo de N-1-p SQRes QMRes
Regressão
Total N-1 SQTotal

83 | P á g i n a
 Estatística Experimental

Nesta análise, p é o número de coeficientes de regressão

(não inclui o  0 ) e N é o número de pares de observações.

A soma de quadrados para a regressão varia de acordo

com o modelo em teste. Para o modelo de Regressão
Linear Simples, p é igual a 1 e você obtém a Soma de
Quadrados para Regressão Linear utilizando a seguinte
fórmula:

∑𝐧𝐢 𝐱 𝐢 ∑𝐧𝐢 𝐲𝐢 𝟐
[∑𝐧𝐢 𝐱 𝐢 𝐲𝐢 − ]
𝐧
𝐒𝐐𝐑𝐄𝐆. 𝐋𝐈𝐍𝐄𝐀𝐑 =
(∑𝐧 𝐱 )𝟐
∑𝐧𝐢 𝐱 𝐢𝟐 − 𝐢 𝐢
𝐧

As hipóteses estatísticas para o teste F são as seguintes:

𝑯𝟎 : 𝜷𝟏 = 𝟎, que significa dizer que a variável independente

(Xi) não exerce influência na variável dependente,
segundo o modelo proposto.

𝑯𝟎 : 𝜷𝟏 ≠ 𝟎, o que significa dizer que a variável

independente exerce influência na variável dependente,
segundo o modelo proposto.

6.2.2 Coeficiente de Determinação

84 | P á g i n a
 Estatística Experimental

O coeficiente de determinação (𝑹𝟐 ) fornece uma

informação auxiliar ao resultado da análise de variância
da regressão, para verificar se o modelo proposto é
adequado ou não para descrever o fenômeno.

𝐒𝐐𝐑𝐞𝐠𝐫𝐞𝐬𝐬ã𝐨
O R 2 é obtido por: 𝐑𝟐 = . O valor de R 2 varia no
𝐒𝐐𝐓𝐨𝐭𝐚𝐥

intervalo de 0 a 1. Valores próximos de 1 indicam que o

modelo proposto é adequado para descrever o fenômeno.

Vamos testar o ajuste do modelo de regressão linear

simples aos dados do Exemplo 6.1

➔ Cálculo das somas de quadrados:

𝟏𝟗𝟎 𝐱 𝟏𝟒𝟐, 𝟔 𝟐
[𝟐𝟖𝟏𝟒 − ]
𝐒𝐐𝐑𝐞𝐠. 𝐋𝐢𝐧𝐞𝐫𝐚𝐫 = 𝟏𝟎 = 𝟑𝟑, 𝟏𝟓𝟓𝟎
(𝟏𝟗𝟎)𝟐
𝟑𝟗𝟒𝟎 −
𝟏𝟎

𝟐
(∑𝑵
𝒊=𝟏 𝒚𝒊 )
SQTotal = ∑𝑵 𝟐
𝒊=𝟏 𝒚𝒊 − = 2067,38 – (142,6)2/10 = 33,9040
𝑵

➔ Análise de variância da regressão

TABELA 6.3 Análise de Variância para

Regressão Linear Simples do
Exemplo 6.1

FV GL SQ QM Fc
Regressão 1 33,1550 33,1550 354,22 * *

85 | P á g i n a
 Estatística Experimental

Resíduo 8 0,7490 0,0936

Total 9 33,9040
**
Significativo ao nível de 1% de probabilidade

Como o teste F foi significativo, rejeita-se H0 ao nível de

1% de probabilidade. O modelo proposto (1o grau) é
adequado para descrever a relação entre o nível de
proteína na ração e produção de leite.

➔ Coeficiente de Determinação

𝐒𝐐𝐑𝐞𝐠𝐫𝐞𝐬𝐬ã𝐨
𝐑𝟐 = = 33,1550/33,9040 = 0,978
𝐒𝐐𝐓𝐨𝐭𝐚𝐥

Este valor de R2 indica que 97,80% da variação total é

explicada pela regressão linear simples ajustada.

➔ Resultados:

y = 0,3170x + 8,2370
R² = 97,8%

86 | P á g i n a
 Estatística Experimental

Figura 6.2 Equação de Regressão para Produção de

Leite em Função do Nível de Proteína na
Ração.

O modelo ajustado esta apresentado na Figura 6.2. Esta

equação nos indica que para cada aumento de 1% de
proteína na ração, espera-se, em média, um aumento de
0,3170 kg na produção de leite. O ajuste foi considerado
muito bom, pois apresentou um R2 de 97,8% porém, deve
ser ressaltado que este resultado é válido apenas no
intervalo estudado, ou seja, para nível de proteína na
ração de 10 a 28%.

6.3 REGRESSÃO NA ANÁLISE DE VARIÂNCIA

Quando as categorias de um fator são níveis ou doses,

significando que o fator é uma variável quantitativa, o
procedimento apropriado para o estudo das médias dos
tratamentos é a análise de regressão.

Neste caso a variável independente será o fator e a

variável dependente será a resposta (médias dos
tratamentos).

Neste estudo estaremos analisando apenas o ajuste dos

modelos polinomiais para tentar explicar o efeito dos

87 | P á g i n a
 Estatística Experimental

tratamentos na variável reposta. O polinômio de ordem p

é da forma:

𝐩
𝐘𝐢 = 𝛃𝟎 + 𝛃𝟏 𝐗 𝐢 + 𝛃𝟐 𝐗 𝟐𝐢 + ⋯ + 𝛃𝐩 𝐗 𝐢

Os modelos polinomiais mais comumente utilizados na

análise de regressão das médias de tratamentos são:

Polinômio do 1º grau Regressão Linear Simples:

𝒀𝒊 = 𝜷𝟎 + 𝜷𝟏 𝑿𝒊 + 𝛆𝐢

Polinômio do 2º grau ou Regressão Quadrática:

𝒀𝒊 = 𝜷𝟎 + 𝜷𝟏 𝑿𝒊 + 𝜷𝟐 𝑿𝟐𝒊 + 𝛆𝐢

Polinômio do 3º grau ou Regressão Cúbica:

𝒀𝒊 = 𝜷𝟎 + 𝜷𝟏 𝑿𝒊 + 𝜷𝟐 𝑿𝟐𝒊 + 𝜷𝟑 𝑿𝟑𝒊 + 𝛆𝐢

O método de regressão polinomial na análise de variância

consiste em determinar se um dos polinômios explica
satisfatoriamente a relação entre os tratamentos
utilizados e as médias dos tratamentos.

Para a escolha do modelo que melhor se ajusta às médias

dos tratamentos utilizamos a significância do teste F, a
significância dos testes sobre os parâmetros dos modelos
e os coeficientes de determinação, como exemplificado a
seguir.

88 | P á g i n a
 Estatística Experimental

6.3.1 Passos para a Análise de Regressão na Análise de

Variância

PASSO 1. Definir o fator para o qual será feita a análise

de regressão.

PASSO 2. Definir os modelos de regressão a serem

testados. A metodologia empregada usa o
teste F da análise de variância para testar
apenas o coeficiente de regressão associado
ao tratamento (X) em seu maior expoente,
testando-se assim o efeito de grau p.

Para cada polinômio, as hipóteses do teste F

serão:

Efeito Linear: H0: 𝜷𝟏 = 𝟎 Ha 𝜷𝟏 ≠ 𝟎

Efeito Quadrático: H0: 𝜷𝟐 = 𝟎 Ha 𝜷𝟐 ≠ 𝟎
Efeito Cúbico: H0: 𝜷𝟑 = 𝟎 Ha 𝜷𝟑 ≠ 𝟎
...
Efeito grau p: H0: 𝜷𝒑 = 𝟎 Ha 𝜷𝒑 ≠ 𝟎

A cada efeito de regressão corresponde 1 grau

de liberdade. Assim, é possível testar tantos
efeitos de regressão quantos são os graus de
liberdade para o fator;

PASSO 3. Determinar as Somas de Quadrados para cada

um destes efeitos de regressão. No quadro da

89 | P á g i n a
 Estatística Experimental

Análise de Variância, testar os efeitos de

regressão utilizando o Quadrado Médio do
Erro Experimental para obter os valores Fc;

PASSO 4. Através do teste F e do coeficiente de

determinação (R2), definir o grau do polinômio
que melhor se ajusta às médias da
característica observada.

Calculamos o R2 para cada modelo de

regressão através de:

∑(𝐒𝐨𝐦𝐚𝐬 𝐝𝐞 𝐐𝐮𝐚𝐝𝐫𝐚𝐝𝐨𝐬 𝐝𝐨𝐬 𝐄𝐟𝐞𝐢𝐭𝐨𝐬 𝐝𝐞 𝐑𝐞𝐠𝐫𝐞𝐬𝐬ã𝐨)

𝐑𝟐 =
𝐒𝐨𝐦𝐚 𝐝𝐞 𝐐𝐮𝐚𝐝𝐫𝐚𝐝𝐨𝐬 𝐝𝐨 𝐅𝐚𝐭𝐨𝐫

Observe que no numerador da fórmula do R2

temos um somatório das somas de quadrados
obtidas para cada efeito de regressão.

Observação: Os outros parâmetros dos

modelos também devem ser testados para a
escolha final do domelo.

PASSO 5. Obter as estimativas dos parâmetros do

modelo de Regressão escolhido.

Exemplo 6.2

90 | P á g i n a
 Estatística Experimental

Um experimento foi realizado para testar o efeito da

adubação nitrogenada (0, 100, 200 e 300 kg/ha de Adubo
Nitrogenado) na produção de milho. Veja os resultados
6.4.

TABELA 6.4 Produções de Milho (kg/parcela)

para doses de adubo Nitrogenado.

Repetições
Tratamentos I II III IV Totais Médias
0 49 47 52 50 198 49,50
100 53 58 52 60 223 55,75
200 62 52 74 63 251 62,75
300 72 68 58 67 265 66,25

TABELA 6.5 Análise de Variância das Produções

de Milho.

FV GL SQ QM Fc
Doses de N 3 666,69 222,23 6,58*
Resíduo 12 405,25 33,77
Total 15 1.071,94

91 | P á g i n a
 Estatística Experimental

Passo 1. Considere que, neste estudo, o pesquisador

esta interessado apenas na regressão linear.

Passo 2. A fórmula para o cálculo da soma de

quadrados do efeito linear é:

∑𝐧𝐢 𝐱 𝐢 ∑𝐧𝐢 𝐲𝐢 𝟐
[∑𝐧𝐢 𝐱 𝐢 𝐲𝐢 − ]
𝐧
𝐒𝐐𝐄𝐟𝐞𝐢𝐭𝐨 𝐥𝐢𝐧𝐞𝐚𝐫 = .𝐉
𝐧 𝟐 (∑𝐧𝐢 𝐱 𝐢 )𝟐
∑𝐢 𝐱 𝐢 −
𝐧

onde n é o número de médias, J é o número

de repetições, 𝐱 𝐢 é o tratamento i, 𝐲𝐢 é a média
do tratamento i.

Utilizando a tabela auxiliar a seguir, facilmente obtemos a

Soma de Quadrados Relativa ao Efeito Linear:

Tratamentos (X) Médias (Y) XY X2

0 49,50 0 0
100 55,75 5.575 10.000
200 62,75 12.550 40.000
300 66,25 19.875 90.000
600 234,25 38.000 140.000

 (600)(234,25) 2

3.800 −  (2862,5)
2
SQEL =  4  4=  4 = 655,51
140.000 −
(600)
2
50.000
4

92 | P á g i n a
 Estatística Experimental

Passo 3. Teste F para os efeitos de regressão:

TABELA 6.6 Análise de Regressão para a

Produção de Milho.

Fonte de Variação GL SQ QM Fc
Doses (3) (666,69)
Efeito Linear 1 655,51 655,51 19,41*
Desvios de Regressão 2 11,18 5,59 <1
Resíduo 12 33,37

Passo 4. Observa-se pela significância do teste F, que

existe uma tendência linear para as produções
de milho em função das doses de adubo
nitrogenado.

Coeficiente de Determinação:
655,51
R 2 = 100. = 98,3%
666,69

Passo 5. Modelo de Regressão Linear:

𝒀𝒊 = 𝜷𝟎 + 𝜷𝟏 𝑿𝒊 + 𝛆𝐢

As estimativas de  0 e  1 são dadas por:

93 | P á g i n a
 Estatística Experimental

 XY −
( X )( Y )
2862,5
ˆ1 = n = = 0,0572
X −
2 (X)
2
50.000
n

Y  X 234,25 600
ˆ 0 = − 1 = − 0,0572 = 49,9825
n n 4 4

1900ral

1900ral y = 1900ralx + 1900ral

1900ral

1900ral

1900ral

1900ral
1900ral 1900ral 1900ral 1900ral

FIGURA 6.3 Equação de Regressão Linear para

as Produções de Milho em Função
de Diferentes Doses de Adubo
Nitrogenado.

O ajuste do modelo linear às produções médias de milho

foi muito bom (R2 = 98,3%). A equação ajustada mostra
que a cada 1 kg/ha de adubo nitrogenado adicionado,
espera-se um aumento médio na produção de 0,0572
kg/parcela.

94 | P á g i n a
 Estatística Experimental

Exemplo 6.3

Os dados a seguir referem-se às produções de grãos

obtidas em um experimento de adubação em milho no
qual os tratamentos foram as doses de 25, 50, 75 e 100
kg/ha de P2O5 além de uma testemunha que não recebeu
a adubação fosfatada.

TABELA 6.7 Produções de Milho (Kg/parcela)

para Doses de P2O5.

Doses de P2O5
Repetições 0 25 50 75 100
I 8,38 7,15 10,07 9,55 9,14
II 5,77 9,78 9,73 8,98 10,17
III 4,90 9,99 7,92 10,24 9,75
IV 4,54 10,70 9,48 8,66 9,50

Nesse exemplo, o pesquisador está interessado em

determinar o modelo de regressão que melhor explique o
efeito da adubação com P2O5 na produção de milho. A
análise de variância com regressão é apresentada na
Tabela 6.8.

95 | P á g i n a
 Estatística Experimental

TABELA 6.8 Análise de Variância e Regressão

para as Produções de Milho.

Fontes de Variação GL SQ QM F R2
Doses de P2O5 (4) (40,0998) 10,0249 7,17* -
Efeito Linear 1 22,1266 22,1266 15,82* 55,2%
Efeito Quadrático 1 11,2950 11,2950 8,07* 83,3%
Efeito Cúbico 1 5,8905 5,8950 4,21 -
Efeito de 4º Grau 1 0,7876 0,7876 0,56 -
Erro 15 20,9838 1,3989
TOTAL 19 61,0836

Os resultados do teste F e os valores dos coeficientes de

determinação indicam que a regressão quadrática é o
modelo apropriado para explicar a relação entre as doses
de P2O5 e a produção de milho, neste exemplo.

1900ral

1900ral

y = -0,0007x2 + 0,1027x + 6,3257

1900ral R² = 84,1%

1900ral

1900ral
1900ral 1900ral 1900ral 1900ral 1900ral

96 | P á g i n a
 Estatística Experimental

FIGURA 6.4 Equação de Regressão para as

Produções de Milho em Função de
Diferentes Doses de P2O5.

Observamos na Figura 6.4 que a produção de milho cresce

segundo uma equação do segundo grau com o aumento
das doses de P2O5. Inicialmente há um aumento rápido da
produção até um máximo de 10,09 kg/parcela para a dose
73,4 kg/ha aproximadamente. A partir desta dose a
produção tende a diminuir. O ajuste foi bom (R2 =
83,1%).

97 | P á g i n a
 Estatística Experimental

UNIDADE 7 – PRESSUPOSIÇÕES DA ANÁLISE DE VARIÂNCIA

A metodologia de análise dos dados obtidos em experimentos e

apresentada na Estatística Experimental só é válida se algumas
premissas forem satisfeitas pelos mesmos. Estas premissas são
denominadas Hipóteses Fundamentais da Análise de Variância e
serão vistas nessa unidade.

98 | P á g i n a
 Estatística Experimental

UNIDADE 7 – PRESSUPOSIÇÕES DA ANÁLISE DE

VARIÂNCIA

Nas décadas de 20 e 30, Ronald A. Fisher foi o pesquisador

responsável pela análise de dados da Estação Experimental
de Rothamsted de Londres, Inglaterra. Ele foi o pioneiro no
uso de métodos estatísticos nos delineamentos
experimentais.

Fisher desenvolveu a análise de variância como o primeiro

método de análise de dados experimentais. A maioria das
aplicações foi feita nas áreas de agricultura e biologia, mas

99 | P á g i n a
 Estatística Experimental

atualmente, constitui uma das principais técnicas utilizadas

em todas as áreas do conhecimento.

A utilização da Análise de Variância para um conjunto de

dados provenientes de algum experimento pressupõe a
verificação de algumas hipóteses.

7.1 HIPÓTESES FUNDAMENTAIS DA ANÁLISE DE

VARIÂNCIA

As hipóteses fundamentais estão relacionadas ao modelo

estatístico adotado em cada experimento:

1. Os erros têm distribuição Normal (normalidade).

2. Os erros têm a mesma variância

(homocedasticidade).

3. Os erros das observações não são correlacionados

(independência).

4. Os diferentes efeitos admitidos no modelo estatístico

são aditivos (aditividade).

100 | P á g i n a
 Estatística Experimental

7.1.1 Normalidade

Quando essa hipótese não é satisfeita, além da introdução

de erro no nível de significância do teste F e de outros, há
uma perda de eficiência na estimação dos efeitos de
tratamentos e uma correspondente perda de poder dos
testes.

São propostos diversos testes para a verificação de

distribuição Normal dos erros, tais como: Kolmogorov–
Smirnov, Shapiro–Wilks, assimetria e curtose, entre
outros.

Outra ferramenta útil para a verificação da normalidade é

o uso do papel normal de probabilidade onde devem ser
plotados os resíduos (diferenças entre as observações e a
média dos dados). A simples inspeção do gráfico fornece
indícios sobre a normalidade.

7.1.2 Homocedasticidade

A falta de homogeneidade de variância é uma das mais

graves quebras de suposição básica principalmente para os

101 | P á g i n a
 Estatística Experimental

modelos não balanceados e os modelos de efeitos

aleatórios.

Através do gráfico resíduos versus o valor estimado ( Yˆij ) ou

versus a variável X (tratamentos), podemos detectar a não

homogeneidade de variância. Em geral, os resíduos não
devem ser correlacionados com qualquer outra variável. Os
gráficos devem apresentar a ausência de estrutura entre
os resíduos e a outra variável plotada.

Também, existem vários testes para a verificação da

homocedasticidade: teste de Anscombe e Tukey, teste de
Bartlett, etc.

A heterogeneidade dos erros pode ser classificada como

irregular e regular. A heterogeneidade é irregular quando
aparentemente não existe uma relação entre médias e
variâncias.

No caso da heterogeneidade irregular um procedimento

empregado é a exclusão de certos tratamentos ou
subdividi-los de tal forma que, com os tratamentos
restantes ou dentro de cada subdivisão, tenha-se
homocedasticidade. Outra alternativa é decompor o
quadrado médio do resíduo em componentes apropriados
às comparações de interesse.

102 | P á g i n a
 Estatística Experimental

A heterogeneidade do tipo regular usualmente decorre da

não normalidade dos dados, existindo certa relação entre
a média e a variância dos vários tratamentos.

Sendo conhecida a distribuição da qual são provenientes os

dados, a relação entre a média e a variância dos
tratamentos também é conhecida e nestes casos, os dados
podem ser transformados de modo que passem a ter
distribuição aproximadamente normal e as médias e
variâncias se tornem independentes, resultando também
em variâncias homogêneas.

7.1.3 Independência

Como independência dos erros entende-se que a

probabilidade do erro de uma observação ter certo valor
não depende dos valores dos erros de outras observações.

Quando os erros são correlacionados, os testes de

significância não são válidos. Há casos em que, devido a
uma correlação positiva entre os erros, o teste de F leva a
muitos resultados significativos. Em casos de correlação
negativa, o valor da estatística Fc pode ser muito menor
que um.

103 | P á g i n a
 Estatística Experimental

A dependência entre os erros é comum em ensaios em que

uma unidade é usada várias vezes como unidade
experimental ou quando diferentes parcelas estão em
contato físico direto.

Como exemplo, é comum a correlação entre as

observações de ensaios de campo onde a semelhança entre
as observações de parcelas adjacentes é maior de que
entre parcelas distantes ou em ensaios de laboratório, nas
observações feitas por uma mesma pessoa ou durante
determinado intervalo de tempo.

Em muitos experimentos as unidades experimentais são

fisicamente distintas e a hipótese de independência é
automaticamente satisfeita. Uma precaução efetiva
consiste na aleatorização dos tratamentos.

Plotando os resíduos na ordem em que os dados foram

coletados (resíduos versus tempo) podemos verificar
facilmente a existência de correlação entre eles. Quando os
resíduos se distribuem de maneira desordenada, podemos
pensar em não existência de correlação.

7.1.4 Aditividade

104 | P á g i n a
 Estatística Experimental

Os efeitos admitidos em um modelo estatístico devem ser

aditivos.

O modelo estatístico para o delineamento Blocos

Casualizados, por exemplo, implica em que o efeito de um
tratamento é o mesmo em todos os blocos e o efeito de um
bloco é o mesmo em todos os tratamentos. Uma
consequência da aditividade é que as diferenças entre os
efeitos de dois tratamentos A e B, usualmente é estimada
por:

média de todas observações com A – média de todas as

observações com B.

A Tabela 7.1 apresenta dois conjuntos de dados supondo

um modelo aditivo (y = ti + b j ) e outro multiplicativo (y = ti  b j ) .

Os modelos são apresentados sem erro experimental para

facilitar a compreensão.

TABELA 7.1 Modelo Aditivos e Multiplicativos

Admitida a Ausência de Erro.

Modelo Modelo Logaritmo do

Aditivo Multiplicativo Mod. Multiplicativo
Bloco I Bloco II Bloco I Bloco II Bloco I Bloco II
Trat. A 10 20 10 20 1,00 1,30
Trat. B 30 40 30 60 1,48 1,78
Fonte: Steel e Torrie (1960)

105 | P á g i n a
 Estatística Experimental

A não aditividade resulta na heterogeneidade do erro e

afeta o nível de significância para comparações entre os
tratamentos. Há perda de precisão porque o Erro
Experimental é acrescido do componente de não
aditividade.

7.2 CASOS DE HIPÓTESES FUNDAMENTAIS NÃO

SATISFEITAS

Quando uma destas hipóteses não é satisfeita, a análise de

variância não tem validade como técnica de análise
estatística e torna-se um simples tratamento matemático
dos dados coletados. Para alguns destes casos podem
existir alternativas simples.

Na maioria destes casos, as falhas nestas premissas são

provocadas por: assimetria extrema, presença de erros
grosseiros, comportamento anormal de certos tratamentos

106 | P á g i n a
 Estatística Experimental

ou parte do experimento, não aditividade e variâncias

como função das médias.

Alguns dos métodos utilizados nestes casos são: omissão

de determinada parte do experimento, subdivisão da
variância residual, transformação prévia dos dados e
outros.

Em outros casos procura-se empregar outras técnicas de

análise de dados, tais como: o método dos Mínimos
Quadrados Ponderados para o caso de não
homocedasticidade, o método dos Mínimos Quadrados
Generalizados para o caso de erros correlacionados, a
análise Não-Paramétrica para o caso de não normalidade e
análise generalizada.

7.3 Transformação de Dados

Vamos tratar aqui das técnicas de transformação de dados.

Uma transformação adequada aos dados é aquela em que:

• A variância da variável transformada não é afetada

por mudanças do valor médio;

• A variável transformada é normalmente distribuída;

107 | P á g i n a
 Estatística Experimental

• A escala de transformação é tal que a média

aritmética estime imparcialmente a média
verdadeira;

• A escala de transformação é tal que os efeitos reais

são lineares e aditivos.

Quando uma transformação de dados é feita, todas as

comparações e estimativas de intervalo de confiança
devem ser determinadas na nova escala, sendo que as
médias podem ser transformadas para a escala original.

A mudança exata da escala é, em geral, difícil e a escolha

de uma transformação adequada depende, em parte, da
experiência do estatístico.

Devemos lembrar-nos de verificar se as hipóteses

fundamentais foram satisfeitas após a escolha e aplicação
de uma transformação de dados.

O estudo das relações entre médias e variâncias de

tratamentos pode sugerir uma transformação apropriada,
veja Box e Cox (1964).

108 | P á g i n a
 Estatística Experimental

As principais transformações utilizadas são: Raiz

Quadrada, Logarítmica e Angular.

7.3.1 Transformação Raiz Quadrada

Esta transformação é utilizada para dados provenientes de

contagens como: número de bactérias em uma placa,
número de plantas ou insetos em uma dada área, número
de defeitos ou acidentes. Geralmente eles se distribuem de
acordo com a distribuição de Poisson, em que a média e a
variância são iguais. Neste caso, a transformação raiz
quadrada dos dados estabiliza a variância, além de torná-
la independente da média.

A transformação raiz quadrada pode também ser usada

com dados de contagens em que a variância de X é
proporcional à média de X, ou seja,  x2 = KX .

Para a distribuição de Poisson tem-se K = 1 mas,

frequentemente, encontra-se K > 1, o que indica que a
distribuição dos erros tem uma variância maior que aquela
de Poisson.

Dados de porcentagem baseados em contagens com um

denominador comum, sendo a amplitude de 0% a 20% ou

109 | P á g i n a
 Estatística Experimental

de 80% a 100%, mas não ambas, podem também ser

analisados utilizando-se a transformação raiz quadrada.

Quando os dados estão situados entre 80% e 100%,

devem ser subtraídos de 100 antes da transformação. A
mesma transformação é útil para porcentagens na mesma
amplitude quando as observações provêm de uma mesma
escala contínua, desde que médias e variâncias sejam
aproximadamente iguais.

Quando entre os dados ocorrem valores pequenos,

inferiores a 10 e, principalmente, zeros, as transformações

X +1 / 2 , X + 1 ou X + X + 1 estabilizam a variância

mais efetivamente que X , sendo X o valor observado.

A transformação raiz quadrada afeta o tipo de achatamento

da distribuição de frequência dos erros e a medida de
aditividade. Assim, se os efeitos de blocos e tratamentos
são aditivos na escala original, geralmente não o serão na
escala raiz quadrada ou vice versa. Contudo, a menos que
efeitos de blocos e tratamentos sejam ambos grandes,
efeitos que são aditivos em uma escala serão
aproximadamente aditivos na escala raiz quadrada.

As médias obtidas com os dados transformados são

reconvertidas para a escala original, utilizando-se da
operação inversa, ou seja, sendo elevadas ao quadrado. Os

110 | P á g i n a
 Estatística Experimental

valores obtidos, geralmente são ligeiramente menores que

as médias originais, porque a média de uma série de raízes
quadradas é menor que a raiz quadrada da média original.

7.3.2 Transformação Logarítmica

A transformação logarítmica estabiliza a variância quando

o desvio padrão na escala original varia diretamente com a
média, ou seja, o coeficiente de variação é constante de
tratamento para tratamento. Esse tipo de relação entre
média e desvio padrão é encontrado geralmente quando os
efeitos são multiplicados em lugar de aditivos. Nessa
situação, tal transformação, além de estabilizar a variância,
produz aditividade nos efeitos e tende a normalizar a
distribuição dos erros. A base 10 para o logaritmo é a mais
usada, por conveniência, contudo, qualquer base é
satisfatória.

Essa transformação é usada para números inteiros

positivos que cobrem uma grande amplitude, sendo que
não pode ser usada diretamente quando ocorrem zeros ou
quando alguns dos valores são menores que 10. Neste
caso, é necessário ter-se uma transformação que equivale
à transformação X para valores pequenos e log X para

111 | P á g i n a
 Estatística Experimental

valores grandes de X. A transformação log(X+1) é a que

mais se aproxima da desejada.

As médias obtidas na escala logarítmica são convertidas

para a escala original através da operação inversa, ou seja,
utilizando-se antilogarítmos dos valores obtidos para essas
médias estando, porém afetadas de um erro.

7.3.3 Transformação Angular ou arc sen p / 100

Esta transformação é utilizada para homogeneizar a

variância residual dos dados de proporção X/N, ou
porcentagens 100 (X/N), correspondentes a indivíduos
portadores de um dado atributo, em uma amostra de
tamanho N e é especialmente recomendada quando as
porcentagens cobrem uma grande amplitude de valores.

Admite-se que as proporções têm distribuição binomial

com média igual a  e variância igual a  (1 −  ) N . Desde

que as proporções têm distribuição binomial, essa variância

será máxima para p = 0,5 . As proporções igualmente

afastadas de 0,5 terão variâncias iguais e quanto mais

afastadas de 0,5, valores menores. A transformação irá,
pois, alterar as porcentagens extremas, ou seja, aquelas
de menores variâncias.

SNEDECOR e COCHRAN (1976) dizem que essa

transformação também pode ser usada para proporções

112 | P á g i n a
 Estatística Experimental

que estão sujeitas a outra causa de variação que não a

binomial, sendo porem que a variância dessas proporções
deve ser um múltiplo de  (1- ). Como, porém, esse
produto varia pouco se as porcentagens estiverem todas
entre 30% e 70%, a transformação angular será
desnecessária. Essa transformação produzirá sensíveis
alterações nos valores das porcentagens se estiverem
entre 0% e 30% ou 70% e 100%. A transformação arc sen
% dará melhores resultados quando todas as
porcentagens forem baseadas em denominadores iguais,
porém, tem sido frequentemente usada quando são
diferentes, especialmente, se são aproximadamente iguais.

Pode acontecer que a variável X/N não tenha distribuição

binomial e que a transformação angular não atinja seu
objetivo, como é o caso, muitas vezes, de dados de
controle de pragas e moléstias no campo. Neste caso,
deve-se considerar o numerador da proporção como a
variável aleatória, podendo ser analisada utilizando-se uma
das transformações citadas anteriormente.

A transformação raiz quadrada é recomendada para

porcentagens entre 0% e 20% ou 80% e 100% sendo
subtraídos de 100 antes da transformação.

113 | P á g i n a
 Estatística Experimental

UNIDADE 8 – DELINEAMENTOS EXPERIMENTAIS

Vamos estudar nesta unidade as três maneiras de sorteio

das parcelas experimentais, chamadas delineamentos
experimentais. Vamos apresentar as características de
cada um deles, conhecimento que é imprescindível para o
planejamento dos experimentos.

114 | P á g i n a
 Estatística Experimental

UNIDADE 8 – DELINEAMENTOS EXPERIMENTAIS

Os Delineamentos Experimentais são as formas de

distribuição das parcelas experimentais na área do
experimento.

Os delineamentos experimentais são:

• Delineamento Inteiramente Casualizado

• Delineamento Blocos Casualizados

• Delineamento Quadrado Latino

8.1 Delineamento Inteiramente Casualizado (DIC)

115 | P á g i n a
 Estatística Experimental

8.1.1 Características

Esse delineamento é utilizado quando a variabilidade entre

as parcelas experimentais for muito pequena, isto é,
praticamente inexistente.

Devido a esta exigência, você deve usá-lo em locais em

que as condições experimentais possam ser bem
controladas (laboratórios, casa de vegetação, terrenos com
pouca heterogeneidade e outros similares).

As vantagens deste delineamento são:

• o número de graus de liberdade para o Erro

Experimental é máximo;

• o número de tratamentos e de repetições depende

apenas do número de parcelas experimentais
disponíveis;

• é o delineamento mais simples de ser instalado e

conduzido.

A maior desvantagem é que toda a variabilidade existente

irá compor o erro experimental, exceto apenas a variação
entre os efeitos dos tratamentos.

116 | P á g i n a
 Estatística Experimental

Se as condições do experimento não forem homogêneas

podemos encontrar um erro muito grande, o que poderá
comprometer os resultados obtidos.

8.1.2 Aleatorização

Nesse delineamento os tratamentos são designados

aleatoriamente às parcelas experimentais. Este tipo de
sorteio implica em que todo tratamento tenha a mesma
chance de ser aplicado a qualquer parcela na área
experimental.

8.1.3 Modelo Estatístico

O modelo linear adequado para este delineamento é dado

por:

yij =  + ti + eij

onde yij é a observação feita na parcela para o

tratamento i na repetição j ;

 representa uma constante inerente a toda

parcela ;

ti representa o efeito do tratamento i ;

117 | P á g i n a
 Estatística Experimental

eij representa o erro experimental na parcela i, j.

8.1.3 Modelo Geral de Análise

Considere um experimento com três tratamentos e duas

repetições, instalado em DIC. A variável resposta é
representada por Y e os dados, observados nas parcelas,
representados por y com os índices i e j referentes à,
respectivamente, o tratamento e a repetição.

Os dados podem ser colocados em uma tabela como em

8.1 e o modelo geral de análise de variância para os ensaios
em DIC é apresentado na Tabela 8.2.

TABELA 8.1 Representação dos Dados de um

Experimento em DIC com 3
Tratamentos e 2 Repetições.

TRATAMENTOS
Repetições A B C

I y11 y21 y31

II y12 y22 y32
TOTAIS T1 T2 T3 G

118 | P á g i n a
 Estatística Experimental

TABELA 8.2 Modelo Geral de Análise para ensaios

em DIC com I Tratamentos e J
repetições.

Fontes de Variação GL SQ QM Fc

Tratamentos I-1 SQTrat.(2) SQ Trat. QM Trat.

I-1 QM Erro

Erro Experimental I(J-1) SQErro(3) SQ Erro

I(J-1)
TOTAL IJ-1 SQTotal (1)

➢ Cálculos das Somas de Quadrados:

G2
(1) SQTotal =  y ij − sendo G =  y e N = número
2
ij
N i j

total de parcelas ( I.J );

2
T G2
(2) SQTratamentos =  i −
J N
sendo Ti =  y ij (total de cada tratamento);
j

 T2 
(3) SQErro =    yij2 − i  = SQTotal − SQTratamentos
 J 
i  j

119 | P á g i n a
 Estatística Experimental

8.2 Delineamento Blocos Casualizados (DBC)

No delineamento em blocos casualizados, o material

experimental é dividido em grupos homogêneos, cada
grupo constituindo uma repetição. Cada repetição ou bloco
deve conter uma vez cada tratamento, no caso de blocos
completos.

O objetivo em todas as etapas do experimento é manter o

erro, dentro de cada bloco, tão pequeno quanto seja
possível na prática. Na condução do ensaio deve ser
empregada uma técnica uniforme para todas as parcelas
de um mesmo bloco. Quaisquer alterações na técnica de
condução ou em outras condições que possam afetar os
resultados devem ser feitas entre os blocos.

No campo esse agrupamento é feito quando as parcelas

são dispostas na área experimental. Cada repetição deverá
ser formada por um grupo compacto de parcelas, de forma
tão aproximada quanto possível, pois se sabe que as
parcelas vizinhas são mais semelhantes em fertilidade do
que parcelas distantes.

120 | P á g i n a
 Estatística Experimental

Em casos em que a colheita do ensaio deva estender-se

por algum tempo é aconselhável que seja feita repetição
por repetição, sendo que, chuvas e outros fatores podem
produzir alterações no peso do material colhido de um dia
para o outro.

8.2.1 Características

As principais características e vantagens em relação ao

delineamento Inteiramente Casualizado são:

- Permite o controle da influência de uma fonte de

variação além do efeito de tratamentos, pelo
agrupamento hábil das parcelas (controle local);

- Dentro de cada bloco (repetição), as condições

ambientais devem ser homogêneas, podendo variar de
bloco para bloco;

- As repetições podem ser distribuídas por uma área

maior permitindo conclusões mais gerais.

8.2.2 Aleatorização

121 | P á g i n a
 Estatística Experimental

Quando as parcelas se acham agrupadas em blocos, os

tratamentos são aleatoriamente designados às unidades
dentro de cada bloco. Posteriormente, os blocos são
sorteados na área experimental.

8.2.3 Modelo Estatístico

A observação da parcela que recebe o tratamento i no bloco

j (yij) é definida, estatisticamente, por:

yij =  + ti + b j + eij

com i = 1, 2, ..., I e j = 1, 2, ..., J, onde:

 é uma constante inerente à toda

observação;

ti é o efeito do tratamento i;

bj é efeito do bloco j;

eij é o erro na parcela i, j.

8.2.4 Modelo Geral de Análise

As fontes de variação e os respectivos graus de liberdade

para o delineamento em blocos casualizados completos são
apresentados na Tabela 8.3.

122 | P á g i n a
 Estatística Experimental

TABELA 8.3 Modelo de Análise de Variância para o

Delineamento Blocos Casualizado com I

Tratamentos e J Repetições.

Fontes de Variação GL SQ

Entre Blocos J-1 SQBlocos

Entre Tratamentos I-1 SQTratamentos

Erro (I-1) (J-1) SQErro

Total IJ-1 SQTotal

As somas de quadrados são computadas através de:

SQTotal =  y 2
ij −C
i j

1
SQBlo cos = 
I j
B 2j − C

1
SQTratamentos = 
J i
Ti 2 − C

1 2
com C = G ; Bj o total do bloco j; Ti o total do tratamento
N
i e G o total geral.
123 | P á g i n a
 Estatística Experimental

Exemplo 5.1

Os dados da Tabela 8.4 referem-se a um ensaio sobre a

influência de quatro épocas de corte na produtividade de
matéria verde de uma variedade de alfafa. As épocas
estudadas foram A, B, C e D sendo A mais precoce e D mais
tardia. Foi utilizado o delineamento Blocos Casualizados
para controlar um possível gradiente de fertilidade do solo
já que a área experimental apresentava uma declividade
de 12%.

A análise de variância correspondente é apresentada na

Tabela 8.5. As somas de quadrados foram calculadas
como:

Correção (C ) = (2,89 + 1,58 + ... + 1,00)2

1
24

SQTratamentos =
1
6
 
(15,40) 2 + (8,25) 2 + (11,04) 2 + (10,91) 2 − C

1
SQBlo cos = [(9,32) 2 + (9,14) 2 + ... + (6,43) 2 ] − C
4

SQErro = SQTotal − SQTratamentos − SQBlo cos

SQTotal = (2,89) + (1,58) + ... + (1,00) − C

2 2 2

TABELA 8.4 Produções em Kg/parcela de matéria

verde de alfafa.

124 | P á g i n a
 Estatística Experimental

Épocas de Corte
Blocos A B C D Totais

I 2,89 1,58 2,29 2,56 9,32

II 2,88 1,28 2,98 2,00 9,14
III 1,88 1,22 1,55 1,82 6,47
IV 2,90 1,21 1,95 2,20 8,26
V 2,20 1,30 1,15 1,33 5,98
VI 2,65 1,66 1,12 1,00 6,43
Totais 15,40 8,25 11,04 10,91 45,60

TABELA 8.5 Análise de Variância para a produção

de matéria verde (kg/parcela) de
alfafa.

Fontes de GL SQ QM Fc F5%
Variação
Entre Blocos 5 2,7590 0,5518 3,20* 2,90
Entre Épocas 3 4,3820 1,4607 8,47* 3,29
Erro 15 2,5866 0,1724
Total 23

A DMS para o teste Tukey, ao nível de 5% de probabilidade

é igual a 0,69. As médias dos tratamentos são
apresentadas na Tabela 8.6. Os resultados mostram que a
produção foi maior no corte mais precoce. Para as outras
épocas, incluindo a mais tardia, a produção de matéria
verde foi a mesma.

TABELA 8.6 Produções Médias de Matéria Verde

de Alfafa.

Épocas de Corte Médias (kg/parcela)

A (mais precoce) 2,57 a

B 1,38 b

125 | P á g i n a
 Estatística Experimental

C 1,84 b

D 1,82 b
* As médias seguidas da mesma letra não diferem estatisticamente entre si,
pelo teste Tukey, ao nível de 5 % de probabilidade.

8.3 Delineamento Quadrado Latino (DQL)

8.3.1 Características

Para o delineamento Quadrado Latino, os tratamentos são

agrupados nas repetições de duas maneiras distintas.

Essa sistematização dos blocos em duas direções

designadas genericamente por “linhas” e “colunas”,
permite eliminar os efeitos de duas fontes de variação do
erro experimental.

O esquema do delineamento para I tratamentos

corresponde a um “quadrado” com I linhas e I colunas,
contendo I2 parcelas. Cada tratamento ocorre uma vez em
cada linha e em cada coluna. Um dos possíveis arranjos
para um ensaio com quatro tratamentos (A, B, C e D é:

126 | P á g i n a
 Estatística Experimental

COLUNAS

LINHAS 1 2 3 4

1 B C D A

2 A B C D

3 C D A B

4 D A B C

Linhas e Colunas são termos gerais para referenciar

critérios de classificação e, assim, podem representar uma
“espécie” de tratamentos. Se existir interação
(dependência) entre os critérios de classificação e os
tratamentos, a estatística Fc não tem distribuição de F e o
teste não é válido.

O emprego do delineamento Quadrado Latino é muito

comum em ensaios industriais, zootécnicos e outras áreas.
Em ensaios agronômicos é utilizado geralmente para
controlar as diferenças de fertilidade em dois sentidos, nos
ensaios de campo.

8.3.2 Aleatorização

Em geral, é satisfatório tomar um quadrado latino

qualquer, permutar as linhas e colunas e designar, ao
acaso, os tratamentos às letras.

127 | P á g i n a
 Estatística Experimental

Um processo mais rigoroso para a obtenção de um

quadrado latino, aleatoriamente, é dado por FISHER e
YATES (1948).

8.3.3 Modelo Estatístico

A observação da parcela na coluna j e na linha k, que

recebe o tratamento i, é definida por:

y ijk =  + t i + c j + l k + e jk (i )

com i, j e k =1, 2, ..., I e:

 é a constante comum a todas as parcelas;

ti é o efeito do tratamento i;

cj é o efeito da coluna j;

lk é o efeito da linha k;

ejk(i) representa o erro aleatório na parcela i,j,k.

8.3.4 Modelo Geral de Análise

128 | P á g i n a
 Estatística Experimental

Este modelo estatístico leva ao modelo de análise de

variância apresentado na Tabela 8.7.

TABELA 8.7 Modelo da Análise de Variância para

o delineamento Quadrado Latino
com I tratamentos.

Fontes de Variação GL SQ

Linhas I-1 SQLinhas

Colunas I-1 SQColunas

Tratamentos I-1 SQTratamentos

Erro (I-1) (I-2) SQErro

Total I2-1 SQTotal

Exemplo 8.2

Um experimento foi desenvolvido visando comparar a

eficiência de técnicos treinados em amostragem. Uma
cultura foi dividida em seis áreas, cada área sendo
amostrada por seis técnicos diferentes. O amostrador
deveria escolher oito plantas que julgasse com altura
representativa da área e anotar a altura média destas
plantas. Para as análises estatísticas foi considerada a
diferença entre a altura média da amostra e a verdadeira
altura média da área correspondente (determinada pela
medição de todas as plantas da área). Tais diferenças
correspondem aos erros amostrais e são apresentadas na
Tabela 8.8. Também foi anotada a ordem em que cada área
foi amostrada.

Com auxílio dos totais apresentados na Tabela 8.9 foi

computada a análise de variância do exemplo (Tabela
8.10).

129 | P á g i n a
 Estatística Experimental

TABELA 8.8 Erros Amostrais Referentes às

Alturas Médias de Trigo. Área
Amostrada por Seis Técnicos (A, B, C,
D, E e F).

Ordem Áreas
de I II III IV V VI
Visita

1a 3,5(F) 4,2(B) 6,7(A) 6,6(D) 4,1(C) 3,8(E)

2a 8,9(B) 1,9(F) 5,8(D) 4,5(A) 2,4(E) 5,8(C)

3a 9,6(C) 3,7(E) -2,7F) 3,7(B) 6,0(D) 7,0(A)

4a 10,5D) 10,2(C) 4,6(B) 3,7(E) 5,1(A) 3,8(F)

5a 3,1(E) 7,2(A) 4,0(C) -3, (F) 3,5(B) 5,0(D)

6a 5,9(A) 7,6(D) -0,7(E) 3,0(C) 4,0(F) 8,6(B)

TABELA 8.9 Totais Para a Amostragem de Plantas

de Trigo.

Totais
Critérios 1 2 3 4 5 6
Tratamentos 36,4 33,5 36,7 41,5 16,0 7,2
Áreas 41,5 34,8 17,7 18,2 25,1 34,0
Visita 28,9 29,3 27,3 37,9 19,5 28,4

TABELA 8.10 Análise de Variância para

Amostragem de Plantas de Trigo.

130 | P á g i n a
 Estatística Experimental

Fontes de GL SQ QM Fc 5%
Variação
Tratamentos 5 155,60 31,12 9,35** 2,71
Áreas 5 78,87 15,77 4,74**
Visita 5 28,60 5,72 1,72
Erro 20 66,56 3,33
Total 35 329,63

As somas de quadrados foram calculadas como:

SQTotal = 3,52 + 4,22 + ... + 8,62 – C

1
SQTratamentos = (36,42 + 33,52 + ... + 7,22) – C
6

1
SQOrdem Visita = (28,92 + 29,32 + ... + 28,42) – C
6

1
SQÁreas = (41,52 + 34,82 + ... + 34,02) – C
6

Pela simples inspeção nos dados podemos verificar uma

tendência consistente de superestimação das alturas das
plantas, desde que apenas três dos trinta e seis erros
amostrais tiveram valores negativos. O teste de F para
tratamentos, significativo ao nível de 5% mostra que a
superestimação varia de técnico para técnico. Com a
aplicação do teste de Tukey (DMS5%= 3,1), verifica-se que
a tendência é menor para os amostradores E e F, em
relação aos outros.

Pelo teste de F observamos que a ordem em que dada área

é amostrada não tem efeito na superestimação enquanto
que esta tendência varia de área para área.

131 | P á g i n a
 Estatística Experimental

UNIDADE 9 – ENSAIOS FATORIAIS

Nesta unidade vamos apresentar a análise de variância e o

estudo das médias dos tratamentos para experimentos
contendo mais de um fator. Apresentamos o importante

132 | P á g i n a
 Estatística Experimental

conceito na estatística experimental denominado interação

entre fatores.

UNIDADE 9 – ENSAIOS FATORIAIS

Os ensaios em que é estudado o efeito de apenas um fator

são conhecidos como ensaios simples. Mas e se você quiser
planejar um experimento para estudar o efeito de dois
fatores ou mais fatores ao mesmo tempo como, por
exemplo, comparar a produção de 4 cultivares de feijão (A,

133 | P á g i n a
 Estatística Experimental

B, C e D ) em três espaçamentos (0,50; 0,75 e 1,00

metros)?

Uma possibilidade seria escolher um espaçamento e

plantar as 4 cultivares, separando o mais produtivo. Em
outro experimento seria plantada essa cultivar nos 3
diferentes espaçamentos procurando identificar aquele
mais favorável.

No entanto, esta não é uma boa alternativa porque, além

de menos eficaz, a combinação ótima de cultivar e
espaçamento só seria encontrada em uma situação
especial. Os fatores em estudo podem se auto relacionar e
o melhor nível de um fator poderia depender do nível do
outro fator.

A alternativa correta é estudar os dois fatores ao mesmo

tempo através dos experimentos denominados Fatoriais
em que os tratamentos são as combinações das categorias
dos fatores.

No exemplo citado seriam plantados as 4 cultivares nos 3

espaçamentos, simultaneamente. Os tratamentos seriam:

Número do Tratamento Notação Notação

Tratamento Cultivar Espaçamento 1 2

134 | P á g i n a
 Estatística Experimental

1 A 0,50 A-0,50 A1
2 A 0,75 A-0,75 A2
3 A 1,00 A-1,00 A3
4 B 0,50 B-0,50 B1
5 B 0,75 B-0,75 B2
6 B 1,00 B-1,00 B3
7 C 0,50 C-0,50 C1
8 C 0,75 C-0,75 C2
9 C 1,00 C-1,00 C3
10 D 0,50 D-0,50 D1
11 D 0,75 D-0,75 D2
12 D 1,00 D-1,00 D3

9.1 Notação

A notação utilizada para os experimentos fatoriais é bem

variada. No exemplo citado, suponha que tenha sido
utilizado o delineamento Blocos Casualizados com 3
repetições. Este experimento seria designado por Ensaio
Fatorial 4x3 em DBC com 3 repetições, sendo 4 cultivares
e 3 espaçamentos.

Das notações possíveis para os tratamentos, devemos

utilizar a mais simples e informativa. No exemplo anterior,
a notação 2 é mais concisa.

Considere um ensaio Fatorial 2x2 (ou 22) em DIC com 7

repetições sendo 2 cultivares e ausência e presença de
calagem. Os tratamentos são:
135 | P á g i n a
 Estatística Experimental

Tratamento Níveis dos Notação Notação Notação

Fatores 1 2 3
1 cultivar A A-sem A0 A
sem calagem
2 cultivar B B-sem B0 B
sem calagem
3 cultivar A A-com A1 A+
com calagem
4 cultivar B B-com B1 B+
com calagem

Considere ainda outro exemplo onde serão estudados os

nutrientes N, P e K, cada qual estando presente ou ausente.
Este ensaio é designado fatorial 23 (ou 2x2x2), onde os
tratamentos serão:

Tratamento Níveis dos Notação 1 Notação 2

Fatores
1 sem nutrientes (T) 000
2 só N N 100
3 só P P 010
4 só K K 001
5 NeP NP 110
6 NeK NK 101
7 PeK PK 011
8 Todos os nutrientes NPK 111

136 | P á g i n a
 Estatística Experimental

9.2 Vantagens e Desvantagens

Os ensaios fatoriais permitem economia de tempo e

recursos, mas principalmente, possibilitam conclusões
mais amplas sobre os fatores incluindo o estudo da
interação entre eles e maior precisão para as estimativas
dos efeitos principais dos fatores

A desvantagem é o aumento rápido do número de

tratamentos a medida que se aumenta o número de fatores
ou o número de categorias dos fatores.

Se o delineamento utilizado for o de Blocos Casualizados,

o aumento do tamanho do bloco pode acarretar perda de
eficiência se houver um aumento da heterogeneidade
dentro do bloco.

9.3 Efeitos dos Fatores

O efeito de um fator é a mudança na variável resposta

provocada pela mudança de categoria desse fator. Quando
estão envolvidos mais de um fator, define-se efeito

137 | P á g i n a
 Estatística Experimental

simples como efeito de um fator em cada nível do outro,

e efeito principal como a média dos efeitos simples do
fator.

EXEMPLO 9.1

Veja os dados fictícios da produção de uma cultura em um

experimento com duas doses de adubo nitrogenado e duas
doses de adubo fosfatado conforme Tabela 9.1.

A Tabela 9.2 é um quadro auxiliar com os totais dos

tratamentos para auxiliar os cálculos dos efeitos dos
fatores. Ela é construída colocando-se as categorias de um
fator nas linhas e as categorias do outro fator nas colunas.
Nas células dessa tabela são colocados os totais dos
tratamentos correspondentes às somas dos dados das
repetições. Nas margens da tabela são colocados os totais
de linhas e de colunas.

TABELA 9.1 Dados fictícios de um Ensaio Fatorial

com dois Fatores (Nitrogênio e
Fósforo) e dois níveis cada.

Repetições

Nitrogênio Fósforo Trat. I II III Totais

Nível 1 Nível 1 11 8 10 6 24

Nível 2 12 10 14 12 36

Nível 2 Nível 1 21 15 12 15 42

138 | P á g i n a
 Estatística Experimental

Nível 2 22 16 18 20 54

TABELA 9.2 Totais dos Tratamentos para o

Exemplo 9.1.

Fósforo

Nitrogênio Nível 1 Nível 2 Totais

Nível 1 24( 3 ) 36 60( 6 )

Nível 2 42 54 96

Totais 66( 6 ) 90 144( 12 )

Vamos utilizar a tabela auxiliar de totais para calcular os

efeitos dos fatores. Os efeitos para o Nitrogênio são:

Efeito Simples de Nitrogênio no nível 1 de Fósforo

42 − 24
= N : P1 = = +6
3

Efeito Simples de Nitrogênio no nível 2 de Fósforo

54 − 36
= N : P2 = = +6
3

Efeito Principal de Nitrogênio

96 − 60
= = +6
6

139 | P á g i n a
 Estatística Experimental

Estes resultados indicam que, com a quantidade 1 de

Fósforo a mudança da dose 1 para a dose 2 de Nitrogênio
provoca um aumento médio na produção de 6 unidades.
Se a dose de Fósforo for a 2, o efeito simples de Nitrogênio
é o mesmo.

Estes dois resultados indicam que o efeito do Nitrogênio

não está dependendo do Fósforo. Observe que o efeito de
N em geral (considerando todas as categorias do P) é igual
à média de seus efeitos simples.

Para o Fósforo, os efeitos são:

36 − 24
Efeito Simples de P no nível 1 de N = P : N 1 = = +4
3

54 − 42
Efeito Simples de P no nível 2 de N = P : N 2 = = +4
3

96 − 66
Efeito Principal de P = = +4
6

140 | P á g i n a
 Estatística Experimental

Como o efeito do Fósforo não depende do Nitrogênio, efeito

simples de Fósforo é o mesmo qualquer que seja o nível de
Nitrogênio escolhido.

9.4 Interação Entre os Fatores

Quando os efeitos simples de um fator não são os mesmos

em todos os níveis de outro fator, diz-se que existe
interação entre esses fatores.

Para você fixar este importante conceito, vamos utilizar os

dados da Tabela 9.3.

Tabela 9.3 Totais das Produções para um

Fatorial 22 com 4 Repetições e
Ausência e Presença de Calagem e de
Adubo com Potássio.

Calagem 0 50Kg/ha Totais

Sem 80( 4 ) 240 320( 8 )

Com 160 120 280

Totais 240( 8 ) 360 600( 16 )

141 | P á g i n a
 Estatística Experimental

Os efeitos para o Potássio são:

240 − 80
Potássio Sem Calagem = = 40
4

120 − 160
Potássio Com Calagem = = −10
4

360 − 240
Potássio = = 15
8

Verifica-se que o efeito do Potássio depende da calagem:

na ausência de Calagem, a adição de Potássio provoca um
aumento médio de 40 unidades enquanto que, com a
calagem, a adição do potássio provocou uma redução
média de 10 unidades na produção.

Devido à existência de interação entre K e Calagem nesse

exemplo, o efeito principal do fator representa a médias do
que acontece nos diferentes níveis do outro fator (é a
média dos efeitos simples).

Nesse exemplo, o efeito principal do Potássio é 15

unidades, o que leva à uma conclusão generalizada sobre
seu efeito real.

142 | P á g i n a
 Estatística Experimental

Vejamos para o outro fator:

160 − 80
Calagem: K 0 = = 20
40

120 − 240
Calagem: K 50 = = −30
4

280 − 320
Calagem = = −5
8

Como regra geral, quando não existir interação entre os

fatores, basta estudar os seus efeitos principais, mas
quando existir interação, devemos estudar os efeitos de um
fator em cada nível do outro.

A Figura 9.1 ilustra os conceitos de efeitos dos fatores e

interação.

P2 Sem B1

P1 Com B2

N1 N2 K1 K2 A1 A2
(a) (b) (c)

FIGURA 9.1 Ausência de Interação (a), Presença

de Interação (b) e (c).

143 | P á g i n a
 Estatística Experimental

Vemos na Figura 9.1 que, na ausência de interação entre

os fatores, as retas são paralelas, significando que o efeito
de um fator é o mesmo, independentemente do nível do
outro fator.

A interação é positiva quando os fatores apresentam efeito

sinérgico. O efeito conjunto dos fatores, nesse caso, é
aumentar o resultado da combinação de seus níveis mais
altos. Quando os fatores têm efeitos antagônicos, a
interação é negativa.

9.5 O Fatorial mais Simples

Um dos ensaios fatoriais mais simples é aquele com dois

fatores com dois níveis cada. O Modelo Estatístico para este
fatorial, considerando o Delineamento Inteiramente
Causualisado é:

Yijk =  +  i +  j +  ij +  ijk

144 | P á g i n a
 Estatística Experimental

onde i = 1,2 e j = 1,2 e:

 : representa uma constante comum a todas

observações

 i : é o efeito do nível i do fator A;

 j : é o efeito do nível j no fator B;

 ij : é o efeito da interação entre A e B;

 ijk : é o erro experimental na parcela que

recebe o nível i do fator A, o nível j do fator

B e na repetição k.

EXEMPLO 9.2

Os dados da Tabela 9.4 referem-se ao tempo em segundos

da reação entre duas concentrações de um reagente na
presença e na ausência de um catalizador. A análise de
variância considerando o delineamento Inteiramente
Casualisado é apresentada na Tabela 9.5.

TABELA 9.4 Tempo de Reação (segundos) para

um Catalisador (ausência e

145 | P á g i n a
 Estatística Experimental

presença) e duas Concentrações

(15% e 25%) de um Reagente.

Repetições
Tratamentos I II III Totais
R15 28 25 27 80

R25 36 32 32 100

R15 + C 18 19 23 60

R25 + C 31 30 29 90

TABELA 9.5 Análise de Variância para o Exemplo

9.2 sem Considerar a Estrutura
Fatorial.

FV GL SQ QM Fc
Tratamentos 3 291,67 97,22 24,80*

Erro 8 31,33 3,92

Total 11 323,00

Considerando a estrutura fatorial dos tratamentos, vamos

decompor a soma de Quadrados para Tratamentos nas
somas de quadrados relativas ao efeito dos fatores e suas
interações, melhorando nossa análise.

Assim, as Fontes de Variação passam a ser todos os fatores

e todas as possíveis interações entre eles. Para o cálculo
das somas de quadrados dos fatores e das interações é

146 | P á g i n a
 Estatística Experimental

interessante utilizar os quadros auxiliares de totais. A

análise de variância apropriada aos ensaios com estrutura
fatorial é apresentada na Tabela 9.6.

Catalisador

Reagente Sem Com Totais

15% 80( 3 ) 100 180( 6 )

25% 60 90 150

Totais 140( 6 ) 190 330( 12 )

SQConcentração =
1
6
180 2 + 150 2 −330 2
12
= 208,33

SQCatalisador =
1
6
140 2 + 190 2 −330 2
12
= 75,00

SQ InteraçãoR x C =

=
3

1 2

80 + 100 2 + 60 2 + 90 2 −
330 2
12
− SQR − SQC = 8,34

TABELA 9.6 Análise de Variância para o Exemplo

9.2

F.V GL SQ QM Fc

Concentração 1 208,33 208,33 52,14*

147 | P á g i n a
 Estatística Experimental

Catalisador 1 75,00 75,00 19,13*

RxC 1 8,34 8,34 2,12

Erro 8 31,33 3,92

Total 11 323,00
* Significativo ao nível de 5% de probabilidade

Nesse exemplo, embora exista interação entre

Concentração e Catalisador, a análise de variância mostra
que é muito pequena, isto é, não significativa. Em termos
práticos é considerada inexistente e os efeitos dos fatores
são representados por seus efeitos principais. Verifique
que, nesse caso, os efeitos simples de um fator têm valores
muito próximos.

TABELA 9.7 Efeitos Médios de Concentração (a) e

de Catalisador (b) sobre os Tempos
de Reação.

Reagente Médias Catalisador Médias

15% 23,3 Sem 30,0

25% 31,7 Com 25,0

(a) (b)

148 | P á g i n a
 Estatística Experimental

Chegamos aos resultados para cada fator,

independentemente do outro e da não existência ou não
significância da interação entre eles.

Na Tabela 9.7 observamos que o catalisador diminui o

tempo de reação em 5 segundos, para qualquer
concentração (15 ou 25%).

Com o aumento da concentração de 15 para 25%, o tempo

de reação aumenta em 7,4 segundos em média (com ou
sem catalisador).

9.6 Fatoriais p x q

Nestes fatoriais vamos estudar dois fatores sendo um com

p categorias e outro com q categorias. O modelo estatístico
é semelhante ao modelo apresentado para os fatoriais 22
(dois fatores com dois níveis cada) com a diferença apenas
no número de níveis dos fatores.

149 | P á g i n a
 Estatística Experimental

Para ensaio em blocos casualisados com k repetições, o

modelo estatístico é:

Yijk =  +  i +  j +  ij + bk + eijk

com i = 1,2,..., p e j = 1,2,..., q onde:

 : representa uma constante inerente a todas as

parcelas;

 i : é o efeito do nível i do fator A;

 j : é o efeito do nível j do fator B;

 ij : é o efeito da interação entre os fatore A e B;

bk : é o efeito do bloco k;

e ijk : é o erro experimental em cada parcela.

EXEMPLO 9.3

Os dados apresentados na Tabela 9.8 foram adaptados de

um ensaio sobre a produção de matéria seca de forrageiras
consorciadas com leguminosas. O ensaio foi montado
segundo o esquema fatorial 3x4 em blocos casualisados,
sendo 3 leguminosas (Azevém, Falaris e Festuca) e 3 doses

150 | P á g i n a
 Estatística Experimental

de calagem além de uma testemunha (0, 1, 2 e 4

toneladas/ha).

TABELA 9.8 Teores de Matéria Seca (t/ha) de

Gramíneas Forrageiras Consorciadas
com Leguminosas em Diferentes
Doses de Calagem.

Leguminosas
Calcário Blocos Azevém Falaris Festuca
(t/ha)
I 1,97 4,48 6,46
0 II 1,90 4,40 7,80
III 2,02 3,89 6,82
I 2,59 5,05 7,64
1 II 2,40 5,00 7,80
III 2,63 4,98 7,82
I 2,83 5,55 5,37
2 II 2,94 5,60 5,66
III 3,00 5,78 6,72
I 3,32 3,78 5,32
4 II 4,80 4,20 5,48
III 5,00 3,65 4,90

A Tabela 9.9 será utilizada para o cálculo das somas de

quadrados dos fatores e da interação. A análise de
variância é apresentada na Tabela 9.10.

TABELA 9.9 Quadro Auxiliar de Totais para o

Exemplo 9.3.

151 | P á g i n a
 Estatística Experimental

Leguminosas

Calcário Azevem Falaris Festuca Totais

0 5,89( 3 ) 12,77 21,08 39,74( 9 )

1 7,62 15,03 23,26 45,91

2 8,77 16,93 17,75 43,45

4 13,12 11,63 15,70 40,45

Totais 35,40( 12 ) 56,36 77,79 169,55( 36 )

SQ Calcáreo =

=
1
9

39,74 2 + 49,912 + 43,45 2 + 40,45 2 −
169,55 2
36
= 2,7000

SQ Leguminosas =

=
1
12

35,40 2 + 56,36 2 + 77,79 2 − 
169,55 2
36
= 74,8744

SQ C x L =

=
1
3
5,85 2 + 12,77 2 + ... + 15,70 2 − 
169,55 2
36
− 2,7000 − 74,8744 = 23,7608

TABELA 9.10 Análise de Variância dos Teores de

Matéria Seca (Exemplo 9.3).

Causas de Variação GL SQ QM Fc F5%

Calcário (C) 3 2,70 0,90 5,29* 3,05

Leguminosas (L) 2 74,87 37,43 220,18**

CxL 6 23,76 3,96 23,29** 3,44

152 | P á g i n a
 Estatística Experimental

Blocos 2 0,61 0,30 1,76

Erro 22 3,70 0,17

Total 35 105,64
* significativo ao nível de 5% ** significativo ao nível de 1 %

Na Tabela 9.10 observa-se que a interação foi significativa

e devemos estudar os efeitos simples dos fatores. Para a
interação entre dois fatores, existem duas possibilidades
para o seu estudo.

As Tabelas 9.11 e 9.13 apresentam os estudos possíveis

para a interação do Exemplo 9.3. Vamos estudar,
inicialmente, o efeito das leguminosas em cada dose de
calcário. Os cálculos das somas de quadrados são feitos
com os totais da Tabela 9.10:

SQ Leguminosas dentro de 0 t/ha =

=1/3 [(5,89)2+ (12,77)2+ (21,08)2 ] – 1/9 ( 39,74 )2

SQ Leguminosas dentro de 1 t/ha =

153 | P á g i n a
 Estatística Experimental

=1/3 [(7,62)2+ (15,03)2+ (23,26)2 ] – 1/9 ( 45,91 )2

SQ Leguminosas dentro de 2 t/ha =

=1/3 [(8,77)2+ (16,93)2+ (17,75)2 ] – 1/9 ( 43,45 )2

SQ Leguminosas dentro de 4 t/ha =

= 1/3 [(13,12)2+ (11,63)2+ (15,70)2 ] – 1/9 ( 40,45 )2

As produções médias são apresentadas na Tabela 9.12

onde foi aplicado o teste de Tukey. A DMS foi igual a 0,85
para a comparação das médias referentes às leguminosas
em cada dose de calcário.

TABELA 9.11 Estudos das Leguminosas em cada

dose de Calcário do Exemplo 9.3.

Causas de Variação GL SQ QM FC
Leguminosas : 0 t/ha 2 38,57 19,28 113,44 **

Leguminosas : 1 t/ha 2 40,80 20,40 120,02 **

Leguminosas : 2 t/ha 2 16,43 8,22 48,33 **

154 | P á g i n a
 Estatística Experimental

Leguminosas : 4 t/ha 2 2,83 1,41 8,31 **

Erro 22 3,70 0,17

TABELA 9.12 Produções Médias de Matéria Seca

(kg/ha) e Teste de Tukey (  = 5% )
referentes ao Exemplo 9.3.

Leguminosas
Calcário Azevém Falaris Festuca
0 1,96 c 4,26 b 7,03 a

1 2,54 c 5,01 b 7,75 a

2 2,92 b 5,64 a 5,92 a

4 4,37 b 3,88 c 5,23 a

As médias seguidas da mesma letra nas linhas não diferem entre si, pelo
teste de Tukey, ao nível de 5% de probabilidade.

Agora, vamos ver o estudo para comparar os efeitos das

doses de calcário em cada leguminosa. As somas de
quadrados e a análise dos resultados são:

SQDoses dentro de Azevém =

=
1
3
 
(5,89)2 + (7,62)2 + (8,77 )2 + (13,12)2 − 1  (35,40)2
12

155 | P á g i n a
 Estatística Experimental

SQDoses : Falaris =

=
1
3
 
(12,77 )2 + (15,03)2 + (16,93)2 + (11,63)2 − 1  (56,36)2
12

SQDoses : Festuca =

=
1
3
 
(21,08)2 + (15,03)2 + (17,75)2 + (15,70)2 − 1  (77,79)2
12

TABELA 9.13 Desdobramento Doses de

Calcário:Leguminosas com Análise
de Regressão. Exemplo 9.3.

Causas de Variação GL SQ QM FC R2

Calcário: Azevém (3) ( 9,50 ) 3,17 18,63**

Efeito Linear 1 9,38 9,38 55,71 ** 98,7%

Efeito Quadrático 1 0,08 0,08 <1

156 | P á g i n a
 Estatística Experimental

Efeito 30 grau 1 0,04 0,04 <1

Calcário: Falaris (3) ( 5,58 ) 1,86 10,94**

Efeito Linear 1 0,39 0,39 2,34 7,1%

Efeito Quadrático 1 4,99 4,99 29,65 ** 96,5%

Efeito 30 grau 1 0,20 0,20 1,15

Calcário: Festuca 3 ( 11,37 ) 3,79 22,30**

Efeito Linear 1 8,09 8,09 48,05 ** 71,1%

Efeito Quadrático 1 0,17 0,17 1,03 72,6%

Efeito 30 grau 1 3,11 3,11 18,49 ** 100,0%

Erro 22 3,70 0,17

Para a leguminosa Azevém, o efeito das doses de calcário

no teor de matéria seca pode ser explicado por uma reta

cuja equação estimada é Yˆ = 1,9040 + 0,5977 X com R2 de

98,7%.

Para a Falaris, o modelo ajustado foi

Yˆ = 4,1837 + 1,3844 X − 0,3638 X 2 , R2 igual a 96,5 %.

A equação de regressão ajustada para o efeito do calcário

na matéria seca da Festuca foi
Yˆ = 7,0267 + 2,8983 X − 2,6167 X 2 + 0,4450 X 3 .

9.7 Fatoriais p x q x s

157 | P á g i n a
 Estatística Experimental

São os esquemas fatoriais com três fatores sendo um fator

com p níveis, outro com q níveis e o terceiro fator com s
níveis. O modelo estatístico para um fatorial pxqxs em
blocos casualisados com J repetições é:

Yijkl =  +  i +  j +  k + ( ) ij + ( ) ik + (  ) jk +  ijk + blk + eijkl

onde  representa uma constante inerente a todas as

parcelas; i= 1,2, ..., p, j= 1,2, ... , q e k= 1, 2,..., s e:

 i : é o efeito do nível i do fator A;

 j : é o efeito do nível j do fator B;

 k : é o efeito do nível k do fator C;

ij : é o efeito da interação entre os fatores A e B;

 ik : é o efeito da interação entre os fatores A e C;

 jk : é o efeito da interação entre os fatores B e C;

 ijk : é o efeito da interação entre os fatores A , B e C;

bl : é o efeito do bloco l;

eijkl : é o erro experimental em cada parcela;

EXEMPLO 9.4

Os dados apresentados na Tabela 9.14 referem-se ao

ganho em peso diário de leitões submetidos a dietas com
suplementação de Lisina, Metionina e Proteína em um
fatorial 3 x 3 x 3 em delineamento Blocos Casualizados.

158 | P á g i n a
 Estatística Experimental

TABELA 9.14 Ganho em Peso Médio Diário de

Suínos em Diferentes Dietas.

Lisina Metionina Proteína Bloco I Bloco II Totais

0,00 0,000 8 1,11 0,97 2,08
12 1,31 1,13 2,44
14 1,52 1,45 2,97
0.00 0,025 8 1,09 0,99 2,08
12 1,14 1,12 2,26
14 1,27 1,22 2,49
0.00 0,050 8 0,85 1,21 2,06
12 0,98 1,22 2,20
14 1,67 1,24 2,91
0,05 0,000 8 1,30 1,00 2,30
12 1,44 1,27 2,71
14 1,55 1,53 3,08
0.05 0,025 8 1,03 1,21 2,24
12 1,14 1,30 2,44
14 1,24 1,34 2,58
0.05 0,050 8 1,12 0,96 2,08
12 1,44 1,08 2,52
14 1,76 1,27 3,03
0,10 0,000 8 1,22 1,13 2,35
12 1,26 1,14 2,40
14 1,38 1,08 2,46
0.10 0,025 8 1,34 1,41 2,75
12 1,36 1,30 2,66
14 1,40 1,21 2,61
0.10 0,050 8 1,34 1,19 2,53
12 1,48 1,35 2,83
14 1,46 1,39 2,85
Totais 35,20 32,71 67,91

Com os dados e totais da Tabela 9.14, calculamos as somas

de quadrados para “Total” e “Blocos”. Usamos os totais da
Tabela 9.15 para os cálculos das somas de quadrados dos
fatores e interações.

TABELA 9.15 Quadros Auxiliares de Totais para o

Exemplo 9.4.

159 | P á g i n a
 Estatística Experimental

Lisina
Metionina 0,00 0,05 0,10 Marginais
0,000 7,49( 6 ) 8,09 7,21 27,79(18)
0,025 6,83 7,26 8,02 22,11
0,050 7,17 7,63 8,21 23,01
Marginais 21,49( 18 ) 22,98 23,44 67,91( 54 )
(a)

Lisina
Proteína 0,00 0,05 0,10 Marginais
8 6,22( 6 ) 6,62 7,73 20,47( 18 )
12 6,90 7,67 7,89 22,46
14 8,37 8,69 7,92 24,98
Marginais 21,49 22,98 23,44 67,91
(b)

Metionina
Proteína 0,000 0,025 0,050 Marginais
8 6,73( 6 ) 7,07 6,67 20,47
12 7,55 7,36 7,55 22,46
14 8,51 7,68 8,79 24,98
Marginais 22,79 22,11 23,01 67,91
(c)

Dos totais em 9.15 (a):

SQLisina =
1
18

(21,49 2 ) + (22,98) + (23,44) −
2 2

1
54
 (67,91)
2

SQMetionin a =
1
18
 
(22,79)2 + (22,11)2 + (23,01)2 − 1  (67,91)2
54

160 | P á g i n a
 Estatística Experimental

SQ(L  M ) =
1
6
 
(7,49)2 + (8,09)2 + ... + (8,21)2 − 1  (67,91)2 − SQL − SQM
54

Dos totais em 9.15 (b), calculamos:

SQ Pr oteína =
1
18
 54

(20,47 )2 + (22,46)2 + (24,98)2 − 1  (67,91)2

SQ(L  P ) =
1
6
 
(6,22)2 + (6,62)2 + ... + (7,92)2 − 1  (67,91)2 − SQL − SQP
54

Dos totais em 9.15 (c):

SQ(M  P ) =
1
6
 
(6,73)2 + (7,07 )2 + ... + (8,79)2 − 1  (67,91)2 − SQM − SQP
54

Calculamos a soma de quadrados para a interação do três

fatores por:

SQ(L  M  P) = SQ(Tratamentos) − SQL + SQM + SQP + SQLxM + SQLxP + SQMxP

TABELA 9.16 Análise de Variância para o Exemplo

9.4.

Causas de Variação GL SQ QM Fc
Lisina (L) 2 0,1154 0,0577 3,01

161 | P á g i n a
 Estatística Experimental

Metionina (M) 2 0,0244 0,0122 <1

Proteína (P) 2 0,5676 0,2838 14,81**
LxM 4 0,1636 0,0490 2,13
LxP 4 0,2006 0,0501 2,61
MxP 4 0,1062 0,0265 1,38
LxMxP 8 0,0236 0,0029 <1
Blocos 1 0,1148 0,1148 5,99*
Erro 26 0,4982 0,0192
Total 53 1,8144

Para Proteína, cujo efeito foi significativo, a análise de

regressão é apresentada na Tabela 9.17 e a equação

ajustada foi Yˆ = 0,8072 + 0,0397 X . Para os outros fatores, as

médias são apresentadas na Tabela 9.18.

TABELA 9.17 Análise de Regressão para o Efeito de

Proteína no Ganho em Peso de
Leitões.

FV GL SQ QM FC R2
Proteína (2) (0,5676)
Efeito Linerar 1 0,5307 0,5307 27,70 ** 93,5 %
Efeito Quadrático 1 0,0369 0,0369 1,93
Erro 26 0,4982 0,0192

TABELA 9.18 Médias para o Ganho em Peso Diário

de Leitões.

162 | P á g i n a
 Estatística Experimental

Metionina 0,000 Lisina Médias

0,000 1,27 a 0,00 1,19 a
0,025 1,23 a 0,05 1,28 a
0,050 1,28 a 0,10 1,30 a

9.8 Ensaios Fatoriais com uma Repetição

Nos ensaios fatoriais, o número de tratamentos aumenta

rapidamente com o número de fatores. Por exemplo, o
fatorial 25 tem 32 tratamentos, o 26 tem 64 combinações,
etc. Geralmente, desde que os recursos são limitados, o
número de repetições que o experimentador pode
empregar é restrito.

Em algumas situações o experimentador usa apenas uma

repetição completa do fatorial (a não ser que possa omitir
alguns dos fatores originais). Contudo, com apenas uma
repetição não é possível computar uma estimativa do erro
experimental e as hipóteses sobre os efeitos e interações
não podem ser testadas. Nesses casos, uma análise
aproximada é feita assumindo-se que algumas interações
de ordem mais elevada são desprezíveis e com expectância
 2 , que são combinadas para estimar o erro experimental.

163 | P á g i n a
 Estatística Experimental

A prática de combinar interações de ordem elevada para

estimar o erro experimental é sujeita a crítica. Se algumas
dessas interações são significativas o erro estará
superestimado e outros efeitos significativos poderão não
ser detectados.

As interações que serão combinadas devem ser escolhidas

antes de serem examinadas, evitando que a escolha recaia
sobre aquelas cujos quadrados médios apresentem-se
menores, subestimando assim, o erro experimental. Por
exemplo, se na análise de um fatorial 25 os efeitos A, B e
C bem como as interações AB e AC são bastante grandes,
provavelmente o valor da interação ABC será também
elevado. Assim, ABC não deverá ser incluída no conjunto
que será usado como estimativa do erro. Usualmente, o
procedimento é recomendado para fatoriais a partir do 24.

9.9 Fatoriais Fracionados

Assumindo que certas interações de ordem elevada são

desprezíveis, as informações sobre os efeitos principais e
interações de ordem mais baixa podem ser obtidas
utilizando-se apenas uma fração do ensaio fatorial
completo, isto é, somente certos tratamentos.

164 | P á g i n a
 Estatística Experimental

Os fatoriais fracionados são bastante empregados em

pesquisas industriais e em ensaios preliminares para a
identificação dos fatores de maior importância
(MONTGOMERY, 1976).

UNIDADE 10 – ENSAIOS FATORIAIS COM PARCELAS DIVIDIDAS

165 | P á g i n a
 Estatística Experimental

Vamos tratar de modelos fatoriais em que as parcelas

experimentais são divididas em subparcelas nas quais são
sorteadas as categorias de outro fator.

UNIDADE 10 – ENSAIOS FATORIAIS COM PARCELAS

DIVIDIDAS

Nos ensaios fatoriais, os tratamentos são distribuídos nas

parcelas de acordo com o procedimento apropriado ao
delineamento empregado. Entretanto, outros
procedimentos para a aleatorização são possíveis sem
alteração da estrutura dos fatores.

166 | P á g i n a
 Estatística Experimental

Uma das alternativas consiste no sorteio em etapas:

inicialmente são sorteadas as categorias de um fator nas
parcelas experimentais. Na segunda etapa do sorteio, as
parcelas experimentais são subdivididas, formando
subparcelas e as categorias do outro fator são sorteadas
nessas subparcelas.

Por exemplo, seja um ensaio em que são testadas quatro

categorias do fator A em dois blocos. Um segundo fator B
com três categorias pode ser incorporado ao ensaio,
dividindo-se cada parcela com uma determinada categoria
do fator A em três subparcelas.

Após a aleatorização, o croqui do ensaio pode ser

representado como o da Figura 10.1.

Bloco I

a1 a1 a1 a3 a3 a3 a4 a4 a4 a2 a2 a2
b1 b3 b2 b1 b2 b3 b2 b1 b3 b3 b2 b1

Bloco II

a4 a4 a4 a3 a3 a3 a2 a2 a2 a1 a1 a1

b2 b3 b1 b2 b1 b3 b3 b2 b1 b1 b2 b3

FIGURA 10.1 Experimentos em Parcelas

Subdivididas e Delineamento Blocos

167 | P á g i n a
 Estatística Experimental

Casualizados. Fator A nas Parcelas e

B nas Subparcelas.

No planejamento de ensaios com dois ou mais fatores a

primeira opção deve ser o esquema fatorial. Você deverá
optar pelo esquema de parcelas subdivididas em situações
especiais:

1- Quando as categorias de um dos fatores requerem

uma maior quantidade de material experimental do
que as categorias de outro fator e for importante
reduzir o tamanho dos blocos.

Por exemplo, em um experimento em que os fatores a

serem estudados são: dosagens de calagem e diferentes
variedades de uma cultura. O primeiro fator pode requerer
uma maior área experimental, dependendo do método de
aplicação;

2- Quando for requerido um maior grau de precisão

para as comparações entre as categorias de um fator.

Nesse caso, o fator de deverá ser designado às

subparcelas.

168 | P á g i n a
 Estatística Experimental

3- Para facilitar a instalação e condução do

experimento.

Por exemplo, em um ensaio de comparação de variedades

de arroz sob diferentes níveis de irrigação - o fator irrigação
deverá ser designado às parcelas para maior facilidade
operacional.

4- Quando um fator adicional deve ser incorporado a um

ensaio simples já instalado impossibilitando o sorteio
relativo ao esquema fatorial.

Por exemplo, seja um ensaio planejado e já instalado com

o objetivo de comparar as produções de massa verde de
gramíneas forrageiras. Aproximando-se a época da colheita
o pesquisador resolve efetuar três cortes em diferentes
épocas para também estudar o efeito das épocas de corte.

Embora o ensaio tenha sido instalado em blocos

casualizados com um fator apenas, pode-se analisar os
efeitos de gramíneas e de cortes na produção, através do
esquema de parcelas subdivididas.

Na Tabela 10.1 são apresentadas as causas de variação

com os respectivos graus de liberdade para o esquema de
parcelas subdivididas com dois fatores – fator A nas
parcelas e fator B nas subparcelas, segundo os
delineamentos básicos.

169 | P á g i n a
 Estatística Experimental

TABELA 10.1 Causas de Variação e Graus de

Liberdade para o Esquema de
Parcelas Subdivididas em Diferentes
Delineamentos.

DIC DBC DQL

FV GL FV GL FV GL
Linhas a-1
A Colunas a-1
A a-1 Blocos r-1 A a-1
Erro a a( r-1 ) Erro a (a-1)(r-1) Erro a (a-1) (a-2)
Parcelas ar-1 Parcelas ar-1 Parcelas a2-1
B b-1 B b-1 B b-1
AxB (a-1) (b-1) AxB AxB (a-1) (b-1)
Erro b a(r-1) (b-1) Erro b a-1 Erro b a(a-1)(b-
1)
Total abr-1 Total abr-1 Total abr-1

O modelo estatístico para o esquema de Parcelas

Subdivididas, no delineamento blocos Casualizados é:

Yijk =  +  i + bk + bik +  j +  ij +  ijk

onde:

y ijk : é o valor observado na subparcela i, j, k ;

 : é uma constante inerente a toda observação;

 i : é o efeito do i-ésimo nível do fator A (i = 1, 2,

..., I);

bk : é o efeito do bloco k (k = 1, 2, ..., K);

170 | P á g i n a
 Estatística Experimental

bik : representa o erro experimental a nível de

parcelas ;

 j : é o efeito do j-ésimo nível do fator B (j = 1, 2,

..., J);

ij : é o efeito da interação entre os fatores A e B;

 ijk : é o erro experimental a nível de subparcelas.

EXEMPLO 10.1

Um ensaio for realizado em parcelas subdivididas com três

variedades de alfafa nas parcelas e quatro épocas de corte
final nas subparcelas (SNEDECOR e COX, 1956). As duas
primeiras colheitas foram comuns a todas as parcelas. As
épocas de corte foram: A – sem corte; B – corte em 1º de
setembro; C – corte em 20 de setembro e D – corte em 7
de outubro. Os dados de produção de matéria verde no ano
seguinte aos cortes são apresentados na Tabela 10.2.

TABELA 10.2 Produções de Três Variedades de

Alfafa em Quatro Diferentes Épocas
de Corte em 1943. Dados em
Toneladas por Acre.

Blocos
Variedades Datas 1 2 3 4 5 6
Ladak A 2,17 1,88 1,62 2,34 1,58 1,66
B 1,58 1,26 1,22 1,59 1,25 0,94
C 2,29 1,60 1,67 1,91 1,39 1,12

171 | P á g i n a
 Estatística Experimental

D 2,23 2,01 1,82 2,10 1,66 1,10

Cossack A 2,33 2,01 1,70 1,78 1,42 1,35

B 1,38 1,30 1,85 1,09 1,13 1,06
C 1,86 1,70 1,81 1,54 1,67 0,88
D 2,27 1,81 2,01 1,40 1,31 1,06

Ranger A 1,75 1,95 2,13 1,78 1,31 1,30

B 1,52 1,47 1,80 1,37 1,01 1,31
C 1,55 1,61 1,82 1,56 1,23 1,13
D 1,56 1,72 1,99 1,55 1,51 1,33

10.1 Análise de Variância

As somas de quadrados para os efeitos principais e

interação são calculadas com os totais da Tabela 10.3 (a)
e para “blocos” e “parcelas” da Tabela 10.3 (b). Os
resultados obtidos são apresentados nas Tabelas 10.4 e
10.5.

A soma de quadrados para parcelas é dada por:

172 | P á g i n a
 Estatística Experimental

SQParcelas =
1
(8,27 )2 + (7,84)2 + ... + (5,07 )2 − 1  (114,97 )2 .
4 72

TABELA 10.3 Tabelas Auxiliares Para os Cálculos

das Somas de Quadrados
Referentes ao Exemplo 10.1.

Variedades
Datas L C R Totais
A 11,25 10,59 10,22 32,06
B 7,84 7,81 8,48 24,13
C 9,98 9,46 8,90 28,34
D 10,92 9,86 9,66 30,44
Totais 39,99 37,72 37,26 114,97
(a)

Variedades
Blocos L C R Totais
1 8,27 7,84 6,38 22,49
2 6,75 6,82 6,75 20,32
3 6,33 7,37 7,74 21,44

173 | P á g i n a
 Estatística Experimental

4 7,94 5,81 6,26 20,01

5 5,88 5,53 5,06 16,47
6 4,82 4,35 5,07 14,24
(b)

TABELA 10.4 Análise de Variância Para o Exemplo

10.1.

Causas de Variação GL SQ QM Fc
Blocos 5 4,1498 0,8300 6,09*
Variedades (V) 2 0,1780 0,0890 <1
Erro a 10 1,3623 0,1362
Parcelas 17 5,6901
Datas 3 1,9625 0,6542 23,36**
VxD 6 0,2105 0,0351 1,25
Erro b 45 1,2586 0,0280
Total 71 9,1218

TABELA 10.5 Produções Médias (t/acre) de Três

Variedades de Alfafa (Exemplo
10.1).

174 | P á g i n a
 Estatística Experimental

Datas Médias Variedades Médias

Sem Corte 1,78 a Ladak 1,67 a
10 de Setembro 1,34 c Cossack 1,57 a
20 de Setembro 1,57 b Ranger 1,55 a
7 de Outubro 1,69 ab
(a) (b)

Observamos por esses resultados que as diferentes épocas

de corte afetam a capacidade de renovação do crescimento
e restauração das reservas das raízes. Para uniformidade
nas produções seria necessário que o último corte fosse
bastante cedo para permitir a recuperação ou bastante
tardio para evitar a diminuição das reservas.

As menores produções relativas às datas de corte B e C

(DMSTURKEY 5%= 0,15 t/acre) também eram esperadas,
porém nesta região, o final do mês de setembro é
considerado uma época imprópria para o corte da alfafa e,
no entanto, a produção relativa a época C superou a
relativa a B.

Outro fato não esperado foi a ausência da interação entre

variedades e épocas de corte pois a variedade Ladak tem
menor capacidade de renovar o crescimento após o corte e
deveria ter-se comportado diferentemente das outras
variedades.

175 | P á g i n a
 Estatística Experimental

Esse exemplo também ilustra a necessidade de associação

entre os resultados estatísticos, a experiência e o
conhecimento do pesquisador na discussão e interpretação
dos resultados observados experimentalmente.

10.2 Estudo das Médias

As comparações entre as médias dos tratamentos nos

ensaios em parcelas subdivididas envolvem diferentes
erros padrões, considerando-se os dois tipos de erros: Erro
a e Erro b. As variâncias dos contrastes entre duas médias
de tratamentos são:

Entre duas médias do fator A=

 QMErroa 
= 2 
 NíveisdeB  N º de Re petições 

Entre duas médias do fator B=

 QMErrob 
= 2 
 NíveisdeA  N º de Re petições 

176 | P á g i n a
 Estatística Experimental

Entre duas médias de B em um mesmo nível de A=

 QMErrob 
= 2 
 N º de Re petições 

Entre duas médias de A em um mesmo nível de B=

 QM " ErroCombinado " 

= 2 0 
 N de Re petições 

A comparação de duas médias do fator A em um mesmo

nível de B envolve uma combinação dos dois erros. O QM
e o GL desta combinação são calculados como:

QM “Erro Combinado” =

=
QMErroa + ( NíveisdeB − 1)QMErrob 
NíveisdeB

GL “Erro Combinado” =

=
QMErroa + ( NíveisdeB − 1)QMErrob 
2

QMErroa 2 + ( NíveisdeB − 1)QMErrob 2

GLErroa GLErrob

Para o Exemplo 10.1, as variâncias são:

Vˆar (Entre duas médias de Variedades)=

177 | P á g i n a
 Estatística Experimental

 0,1362 
= 2  = 0,0113
 46 

Vˆar (Entre duas médias de Datas)=

 0,9280 
= 2  = 0,0031
 3 6 

Vˆar (Duas médias de Datas, mesma Variedade)=

 0,0280 
= 2  = 0,0093
 6 

QM “Erro Combinado”=

=
1
0,1362 + (4 − 1)0,0280 = 0,0551
4

GL “Erro Combinado”=

=
0,1362 + (4 − 1)0,02802 = 24,10  24
0,13622 + (4 − 1)0,02802
10 45

Vˆar (Duas médias de variedades, mesma data)=

 0,0551 
= 2  = 0,1837
 6 

178 | P á g i n a
 Estatística Experimental

Lembrando que a DMS do teste Tukey é dada por

1 ˆ ˆ
DMS = q Var (Y ) , onde Vˆar ( Yˆ ) representa a estimativa da
2
variância da comparação, pode-se testar qualquer
comparação entre duas médias por este teste.

10.3 Ensaios em Parcelas Sub-Subdivididas

Muitas variantes do esquema de parcelas subdivididas

podem ser empregadas: uma delas consiste em subdividir
cada subparcela em c unidades para a inclusão de um
terceiro fator C com c categorias.

O método de análise é uma expansão do método

apresentado para o esquema de parcelas subdivididas: o
fator A é testado com o erro a; o fator B e a interação AxB
com erro b, o fator C e as interações AxC, BxC e AxBxC
com o erro c. Para maiores detalhes e outras variantes veja
COCHRAN e COX (1950), FEDERER (1955), STEEL e
TORRIE (1960).

179 | P á g i n a
 Estatística Experimental

10.4 Ensaios em Parcelas Subdivididas no Tempo

Verifique que nos exemplos apresentados cada parcela é

formada por subparcelas distintas. Em muitos ensaios,
entretanto, são feitas observações sucessivas em uma
mesma parcela (medidas repetidas) por um período de
tempo.

Por exemplo, em um ensaio em blocos casualizados para a

comparação de variedades de alfafa, as produções são
determinadas por um período de anos, com dois cortes por
ano, geralmente.

A análise dos dados de um ensaio em parcelas subdivididas

no tempo é semelhante a análise apresentada para
parcelas subdivididas no espaço.

Uma diferença consiste na inclusão da interação Fator B x

Repetições no modelo. Essa interação é testada com o erro
b. Outras diferenças estão relacionadas com as variâncias
das comparações entre duas médias de tratamentos (veja
Steel, Torrie e Dickey, 1997).

180 | P á g i n a
 Estatística Experimental

BIBLIOGRAFIA

BANZATTO, D.A. e S. N. KRONKA. Experimentação Agrícola. Jaboticabal,

SP: FUNEP, 4ª Ed., 237p, 2006.

BARROS NETO, J. C. e Outros. Planejamento e Otimização de Experimentos.

Unicamp, Campinas, SP, 1995.

BOX, G. E. P. e COX, D. R. An analisis of transformatios. Jornal of the Royal

Statistical
Society, series B, 26, 211-243, 1964.

BRIEN, C.J. Analysis of variance tables based on experimental structure.

Biometrics, v.39, p.53-59, 1983.

COCHRAN, W. G. e G. M. COX. Experimental Designs. New York, Wiley,

1957.

FISHER, R.A. The design of experiments. Edinburgh, Oliver and Boyd, 248p,
1935.

GOMES, F. P. Curso de Estatística Experimental. ESALQ, Piracicaba, SP,

Editora da USP, 9ª ed, 430p, 1981.

LAPPONI, J. C. Estatística Usando o Excel. Versões 4 e 5. São Paulo, SP,

Lapponi Trein. e Ed. Ltda, 1995.

MONTGOMERY, D.C. Design and Analysis of Experiments. John Wiley &

Sons, 649p., 1991.

181 | P á g i n a
 Estatística Experimental

SNEDECOR, G. W. e W. G. COCHRAN. Statistical Methods. Ames, Iowa

State Univ. Press, 1976.

STEEL, R.G.D., TORRIE, J.H. e DICKEY, D.A. Principles and Procedures of

Statistics: a biometrical approach. Mc Graw Hill, 666p, 1997.

Tabela A.1. Quantis superiores da distribuição F (F0,05) com 1 graus de liberdade do

numerador e 2 graus de liberdade do denominador, para o valor de 5% da
probabilidade , de acordo com a seguinte afirmativa probabilística: P(F >
F0,05) = 0,05.

1

2 1 2 3 4 5 6 7 8 9 10 11

1 161,45 199,50 215,70 224,58 230,16 234,0 236,8 238,9 240,5 241,9 242,98
2 18,51 19,00 19,16 19,25 19,30 19,33 19,35 19,37 19,38 19,40 19,40
3 10,13 9,55 9,27 9,11 9,01 8,94 8,88 8,84 8,81 8,78 8,76
4 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96 5,94
5 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,77 4,74 4,70
6 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06 4,03
7 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,64 3,60
8 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,35 3,31
9 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,14 3,10
10 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,98 2,94
11 4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,90 2,85 2,82
12 4,75 3,89 3,49 3,26 3,11 3,00 2,91 2,85 2,80 2,75 2,72
13 4,67 3,81 3,41 3,18 3,03 2,92 2,83 2,77 2,71 2,67 2,63
14 4,60 3,74 3,34 3,11 2,96 2,85 2,76 2,70 2,65 2,60 2,57
15 4,54 3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,59 2,54 2,51
16 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54 2,49 2,46
17 4,45 3,59 3,20 2,96 2,81 2,70 2,61 2,55 2,49 2,45 2,41
18 4,41 3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,46 2,41 2,37
19 4,38 3,52 3,13 2,90 2,74 2,63 2,54 2,48 2,42 2,38 2,34
20 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39 2,35 2,31
21 4,32 3,47 3,07 2,84 2,68 2,57 2,49 2,42 2,37 2,32 2,28
22 4,30 3,44 3,05 2,82 2,66 2,55 2,46 2,40 2,34 2,30 2,26
23 4,28 3,42 3,03 2,80 2,64 2,53 2,44 2,37 2,32 2,27 2,24
24 4,26 3,40 3,01 2,78 2,62 2,51 2,42 2,36 2,30 2,25 2,22
25 4,24 3,39 2,99 2,76 2,60 2,49 2,40 2,34 2,28 2,24 2,20
26 4,23 3,37 2,97 2,74 2,59 2,47 2,39 2,32 2,27 2,22 2,18
27 4,21 3,35 2,96 2,73 2,57 2,46 2,37 2,31 2,25 2,20 2,17
28 4,20 3,34 2,95 2,71 2,56 2,45 2,36 2,29 2,24 2,19 2,15
29 4,18 3,33 2,93 2,70 2,55 2,43 2,35 2,28 2,22 2,18 2,14
30 4,17 3,32 2,92 2,69 2,53 2,42 2,33 2,27 2,21 2,16 2,13

182 | P á g i n a
 Estatística Experimental

40 4,08 3,23 2,84 2,61 2,45 2,34 2,25 2,18 2,12 2,08 2,04
50 4,03 3,18 2,79 2,56 2,40 2,29 2,20 2,13 2,07 2,03 1,99
60 4,00 3,15 2,76 2,53 2,37 2,25 2,17 2,10 2,04 1,99 1,95
120 3,92 3,07 2,68 2,45 2,29 2,18 2,09 2,02 1,96 1,91 1,87
240 3,88 3,03 2,64 2,41 2,25 2,14 2,05 1,98 1,92 1,87 1,83
480 3,86 3,01 2,62 2,39 2,23 2,12 2,03 1,96 1,90 1,85 1,81
960 3,85 3,01 2,61 2,38 2,22 2,11 2,02 1,95 1,89 1,84 1,80
∞ 3,84 3,00 2,60 2,37 2,21 2,10 2,01 1,94 1,88 1,83 1,79
Continua ...

183 | P á g i n a
 Estatística Experimental

Tabela A.1. Continuação ...

1

2 12 13 14 15 20 30 40 60 120 240 ∞

1 243,91 244,69 245,36 245,95 248,0 250,1 251,1 252,2 253,3 253,8 254,31
2 19,41 19,42 19,42 19,43 19,45 19,46 19,47 19,48 19,49 19,49 19,50
3 8,74 8,72 8,71 8,69 8,65 8,60 8,57 8,54 8,49 8,42 8,53
4 5,91 5,89 5,87 5,86 5,80 5,75 5,72 5,69 5,66 5,64 5,63
5 4,68 4,66 4,64 4,62 4,56 4,50 4,46 4,43 4,40 4,39 4,36
6 4,00 3,98 3,96 3,94 3,87 3,81 3,77 3,74 3,70 3,69 3,67
7 3,57 3,55 3,53 3,51 3,44 3,38 3,34 3,30 3,27 3,25 3,23
8 3,28 3,26 3,24 3,22 3,15 3,08 3,04 3,01 2,97 2,95 2,93
9 3,07 3,05 3,03 3,01 2,94 2,86 2,83 2,79 2,75 2,73 2,71
10 2,91 2,89 2,86 2,85 2,77 2,70 2,66 2,62 2,58 2,56 2,54
11 2,79 2,76 2,74 2,72 2,65 2,57 2,53 2,49 2,45 2,43 2,40
12 2,69 2,66 2,64 2,62 2,54 2,47 2,43 2,38 2,34 2,32 2,30
13 2,60 2,58 2,55 2,53 2,46 2,38 2,34 2,30 2,25 2,23 2,21
14 2,53 2,51 2,48 2,46 2,39 2,31 2,27 2,22 2,18 2,15 2,13
15 2,48 2,45 2,42 2,40 2,33 2,25 2,20 2,16 2,11 2,09 2,07
16 2,42 2,40 2,37 2,35 2,28 2,19 2,15 2,11 2,06 2,03 2,01
17 2,38 2,35 2,33 2,31 2,23 2,15 2,10 2,06 2,01 1,99 1,96
18 2,34 2,31 2,29 2,27 2,19 2,11 2,06 2,02 1,97 1,94 1,92
19 2,31 2,28 2,26 2,23 2,16 2,07 2,03 1,98 1,93 1,90 1,88
20 2,28 2,25 2,22 2,20 2,12 2,04 1,99 1,95 1,90 1,87 1,84
21 2,25 2,22 2,20 2,18 2,10 2,01 1,96 1,92 1,87 1,84 1,81
22 2,23 2,20 2,17 2,15 2,07 1,98 1,94 1,89 1,84 1,81 1,78
23 2,20 2,18 2,15 2,13 2,05 1,96 1,91 1,86 1,81 1,79 1,76
24 2,18 2,15 2,13 2,11 2,03 1,94 1,89 1,84 1,79 1,76 1,73
25 2,16 2,14 2,11 2,09 2,01 1,92 1,87 1,82 1,77 1,74 1,71
26 2,15 2,12 2,09 2,07 1,99 1,90 1,85 1,80 1,75 1,72 1,69
27 2,13 2,10 2,08 2,06 1,97 1,88 1,84 1,79 1,73 1,70 1,67
28 2,12 2,09 2,06 2,04 1,96 1,87 1,82 1,77 1,71 1,68 1,65
29 2,10 2,08 2,05 2,03 1,94 1,85 1,81 1,75 1,70 1,67 1,64
30 2,09 2,06 2,04 2,01 1,93 1,84 1,79 1,74 1,68 1,65 1,62
40 2,00 1,97 1,95 1,92 1,84 1,74 1,69 1,64 1,58 1,54 1,51
50 1,95 1,92 1,89 1,87 1,78 1,69 1,63 1,58 1,51 1,48 1,44
60 1,92 1,89 1,86 1,84 1,75 1,65 1,59 1,53 1,47 1,43 1,39
120 1,83 1,80 1,78 1,75 1,66 1,55 1,50 1,43 1,35 1,31 1,25
240 1,79 1,76 1,73 1,71 1,61 1,51 1,44 1,37 1,29 1,24 1,17
480 1,77 1,74 1,71 1,69 1,59 1,48 1,42 1,35 1,26 1,20 1,12
960 1,76 1,73 1,70 1,68 1,58 1,47 1,41 1,33 1,24 1,18 1,08
∞ 1,75 1,72 1,69 1,67 1,57 1,46 1,39 1,32 1,22 1,15 1,00

184 | P á g i n a
 Estatística Experimental

Tabela A.2 Quantil superior da amplitude estudentizada para o teste de Tukey, em

função do número de tratamentos (I) e dos graus de liberdade do resíduo
(v), ao nível de 5% de probabilidade.
Número de tratamentos
v 2 3 4 5 6 7 8 9 10 11 12 13

1 17,97 26,97 32,81 37,06 40,39 43,11 45,40 47,37 49,09 50,62 51,99 53,23
2 6,08 8,33 9,80 10,88 11,73 12,43 13,03 13,54 13,99 14,39 14,75 15,08
3 4,50 5,91 6,82 7,50 8,04 8,48 8,85 9,17 9,46 9,71 9,94 10,15
4 3,93 5,04 5,76 6,29 6,71 7,05 7,35 7,60 7,83 8,03 8,21 8,37
5 3,64 4,60 5,22 5,67 6,03 6,33 6,58 6,80 6,99 7,17 7,32 7,47
6 3,46 4,34 4,90 5,30 5,63 5,90 6,12 6,32 6,49 6,65 6,79 6,92
7 3,34 4,16 4,68 5,06 5,36 5,61 5,82 6,00 6,16 6,30 6,43 6,55
8 3,26 4,04 4,53 4,89 5,17 5,40 5,60 5,77 5,92 6,06 6,18 6,29
9 3,20 3,95 4,42 4,76 5,03 5,25 5,43 5,60 5,74 5,87 5,98 6,09
10 3,15 3,88 4,33 4,66 4,91 5,13 5,31 5,46 5,60 5,72 5,83 5,94
11 3,11 3,82 4,26 4,58 4,82 5,03 5,20 5,35 5,49 5,61 5,71 5,81
12 3,08 3,77 4,20 4,51 4,75 4,95 5,12 5,27 5,40 5,51 5,62 5,71
13 3,06 3,74 4,15 4,45 4,69 4,89 5,05 5,19 5,32 5,43 5,53 5,63
14 3,03 3,70 4,11 4,41 4,64 4,83 4,99 5,13 5,25 5,36 5,46 5,56
15 3,01 3,68 4,08 4,37 4,60 4,78 4,94 5,08 5,20 5,31 5,40 5,49
16 3,00 3,65 4,05 4,33 4,56 4,74 4,90 5,03 5,15 5,26 5,35 5,44
17 2,98 3,63 4,02 4,30 4,52 4,71 4,86 4,99 5,11 5,21 5,31 5,39
18 2,97 3,61 4,00 4,28 4,50 4,67 4,83 4,96 5,07 5,17 5,27 5,35
19 2,96 3,59 3,98 4,25 4,47 4,65 4,80 4,92 5,04 5,14 5,23 5,32
20 2,95 3,58 3,96 4,23 4,45 4,62 4,77 4,90 5,01 5,11 5,20 5,28
25 2,91 3,52 3,89 4,15 4,36 4,53 4,67 4,79 4,90 4,99 5,08 5,16
30 2,89 3,49 3,85 4,10 4,30 4,47 4,60 4,72 4,83 4,92 5,00 5,08
35 2,87 3,46 3,82 4,07 4,26 4,42 4,56 4,67 4,77 4,86 4,95 5,02
40 2,86 3,44 3,79 4,04 4,23 4,39 4,52 4,64 4,74 4,82 4,90 4,98
50 2,84 3,42 3,76 4,00 4,19 4,34 4,47 4,58 4,68 4,77 4,85 4,92
60 2,83 3,40 3,74 3,98 4,16 4,31 4,44 4,55 4,65 4,73 4,81 4,88
70 2,82 3,39 3,72 3,96 4,14 4,29 4,42 4,53 4,62 4,71 4,78 4,85
80 2,81 3,38 3,71 3,95 4,13 4,28 4,40 4,51 4,60 4,69 4,76 4,83
90 2,81 3,37 3,70 3,94 4,12 4,27 4,39 4,50 4,59 4,67 4,75 4,81
100 2,81 3,37 3,70 3,93 4,11 4,26 4,38 4,48 4,58 4,66 4,73 4,80
120 2,80 3,36 3,69 3,92 4,10 4,24 4,36 4,47 4,56 4,64 4,72 4,78
200 2,79 3,34 3,66 3,89 4,07 4,21 4,33 4,44 4,53 4,61 4,68 4,74
240 2,79 3,34 3,66 3,89 4,06 4,21 4,33 4,43 4,52 4,60 4,67 4,73
 2,77 3,31 3,63 3,86 4,03 4,17 4,29 4,39 4,47 4,55 4,62 4,68

185 | P á g i n a
 Estatística Experimental

Continuação
Tabela A.2 Quantil superior da amplitude estudentizada para o teste de Tukey, em função
do número de tratamentos (I) e dos graus de liberdade do resíduo (v), ao nível
de 5% de probabilidade.
Número de tratamentos
v 14 15 16 17 18 19 20 25 30 40 45 50 60

1 54,35 55,38 56,33 57,21 58,03 58,79 59,51 62,52 64,86 68,36 69,74 70,94 72,98
2 15,37 15,65 15,90 16,14 16,36 16,57 16,77 17,60 18,27 19,30 19,71 20,07 20,70
3 10,34 10,52 10,68 10,84 10,98 11,11 11,24 11,78 12,20 12,86 13,13 13,36 13,75
4 8,52 8,66 8,79 8,91 9,03 9,13 9,23 9,66 10,00 10,53 10,74 10,92 11,24
5 7,60 7,72 7,83 7,93 8,03 8,12 8,21 8,58 8,87 9,33 9,51 9,67 9,95
6 7,03 7,14 7,24 7,34 7,43 7,51 7,59 7,92 8,19 8,60 8,77 8,91 9,16
7 6,66 6,76 6,85 6,94 7,02 7,10 7,17 7,48 7,73 8,11 8,26 8,40 8,63
8 6,39 6,48 6,57 6,65 6,73 6,80 6,87 7,16 7,40 7,76 7,90 8,03 8,25
9 6,19 6,28 6,36 6,44 6,51 6,58 6,65 6,92 7,15 7,49 7,63 7,75 7,96
10 6,03 6,12 6,20 6,27 6,34 6,41 6,47 6,74 6,95 7,28 7,41 7,53 7,73
11 5,90 5,99 6,06 6,14 6,20 6,27 6,33 6,58 6,79 7,11 7,24 7,35 7,55
12 5,80 5,88 5,95 6,02 6,09 6,15 6,21 6,46 6,66 6,97 7,10 7,21 7,40
13 5,71 5,79 5,86 5,93 6,00 6,06 6,11 6,36 6,55 6,86 6,98 7,08 7,27
14 5,64 5,72 5,79 5,85 5,92 5,97 6,03 6,27 6,46 6,76 6,87 6,98 7,16
15 5,58 5,65 5,72 5,79 5,85 5,90 5,96 6,19 6,38 6,67 6,79 6,89 7,07
16 5,52 5,59 5,66 5,73 5,79 5,84 5,90 6,13 6,31 6,60 6,71 6,81 6,98
17 5,47 5,55 5,61 5,68 5,74 5,79 5,84 6,07 6,25 6,53 6,64 6,74 6,91
18 5,43 5,50 5,57 5,63 5,69 5,74 5,80 6,02 6,20 6,47 6,58 6,68 6,85
19 5,39 5,46 5,53 5,59 5,65 5,70 5,75 5,97 6,15 6,42 6,53 6,63 6,79
20 5,36 5,43 5,49 5,55 5,61 5,66 5,71 5,93 6,11 6,37 6,48 6,58 6,74
25 5,23 5,30 5,36 5,42 5,47 5,52 5,57 5,78 5,94 6,20 6,30 6,39 6,55
30 5,15 5,21 5,27 5,33 5,38 5,43 5,48 5,68 5,83 6,08 6,18 6,27 6,42
35 5,09 5,15 5,21 5,26 5,32 5,36 5,41 5,60 5,76 6,00 6,09 6,18 6,33
40 5,04 5,11 5,16 5,22 5,27 5,31 5,36 5,55 5,70 5,94 6,03 6,11 6,26
50 4,98 5,04 5,10 5,15 5,20 5,25 5,29 5,47 5,62 5,85 5,94 6,02 6,16
60 4,94 5,00 5,06 5,11 5,16 5,20 5,24 5,42 5,57 5,79 5,88 5,96 6,09
70 4,91 4,97 5,03 5,08 5,12 5,17 5,21 5,39 5,53 5,75 5,84 5,91 6,05
80 4,89 4,95 5,00 5,05 5,10 5,14 5,18 5,36 5,50 5,72 5,80 5,88 6,01
90 4,88 4,93 4,99 5,04 5,08 5,12 5,17 5,34 5,48 5,69 5,78 5,86 5,98
100 4,86 4,92 4,97 5,02 5,07 5,11 5,15 5,32 5,46 5,67 5,76 5,83 5,96
120 4,84 4,90 4,95 5,00 5,04 5,09 5,13 5,30 5,43 5,64 5,73 5,80 5,93
200 4,80 4,86 4,91 4,96 5,00 5,04 5,08 5,25 5,38 5,59 5,67 5,74 5,86
240 4,79 4,85 4,90 4,95 4,99 5,03 5,07 5,24 5,37 5,57 5,65 5,72 5,85
 4,74 4,80 4,85 4,89 4,93 4,97 5,01 5,17 5,30 5,50 5,58 5,65 5,76

186 | P á g i n a
 Estatística Experimental

Continuação
Tabela A.2 Quantil superior da amplitude estudentizada para o teste de Tukey, em função
do número de tratamentos (I) e dos graus de liberdade do resíduo (v), ao nível
de 5% de probabilidade.
Número de tratamentos
v 70 80 90 100 150 200 400 600 800 1000 1400 1800 2000
1 74,65 76,07 77,30 78,39 82,47 85,26 91,69 95,27 97,74 99,62 102,39 104,42 105,26
2 21,22 21,67 22,06 22,41 23,75 24,69 26,90 28,16 29,03 29,70 30,68 31,40 31,70
3 14,08 14,35 14,59 14,81 15,60 16,14 17,37 18,05 18,52 18,87 19,40 19,78 19,94
4 11,50 11,73 11,93 12,10 12,75 13,20 14,25 14,85 15,26 15,58 16,04 16,39 16,53
5 10,18 10,37 10,54 10,70 11,26 11,66 12,57 13,09 13,45 13,72 14,14 14,44 14,56
6 9,37 9,55 9,70 9,84 10,36 10,71 11,54 12,00 12,32 12,57 12,93 13,20 13,31
7 8,83 8,99 9,13 9,26 9,74 10,07 10,84 11,27 11,57 11,79 12,13 12,37 12,48
8 8,43 8,59 8,73 8,84 9,30 9,61 10,34 10,74 11,03 11,24 11,56 11,79 11,88
9 8,13 8,28 8,41 8,53 8,96 9,26 9,96 10,34 10,61 10,82 11,12 11,34 11,44
10 7,90 8,04 8,17 8,28 8,70 8,98 9,65 10,03 10,29 10,49 10,78 11,00 11,08
11 7,71 7,85 7,97 8,08 8,48 8,76 9,41 9,77 10,03 10,22 10,50 10,71 10,80
12 7,55 7,69 7,81 7,91 8,30 8,58 9,21 9,56 9,81 10,00 10,27 10,48 10,56
13 7,42 7,55 7,67 7,77 8,15 8,42 9,04 9,38 9,62 9,81 10,08 10,28 10,36
14 7,31 7,44 7,55 7,65 8,03 8,29 8,89 9,23 9,47 9,65 9,91 10,11 10,19
15 7,21 7,34 7,45 7,55 7,92 8,17 8,76 9,10 9,33 9,51 9,77 9,96 10,04
16 7,13 7,25 7,36 7,46 7,82 8,07 8,65 8,98 9,21 9,39 9,64 9,83 9,91
17 7,06 7,18 7,28 7,38 7,74 7,98 8,56 8,88 9,10 9,28 9,53 9,72 9,79
18 6,99 7,11 7,21 7,31 7,66 7,90 8,47 8,79 9,01 9,18 9,43 9,61 9,69
19 6,93 7,05 7,15 7,24 7,59 7,83 8,39 8,71 8,93 9,09 9,34 9,52 9,60
20 6,88 7,00 7,10 7,19 7,53 7,77 8,32 8,63 8,85 9,02 9,26 9,44 9,51
25 6,68 6,79 6,89 6,97 7,30 7,52 8,05 8,35 8,56 8,71 8,95 9,12 9,19
30 6,54 6,65 6,74 6,83 7,14 7,36 7,87 8,16 8,36 8,51 8,74 8,90 8,97
35 6,45 6,55 6,64 6,72 7,03 7,24 7,74 8,02 8,21 8,36 8,58 8,74 8,81
40 6,38 6,48 6,57 6,65 6,95 7,15 7,64 7,91 8,10 8,25 8,46 8,62 8,69
50 6,27 6,37 6,46 6,54 6,83 7,03 7,50 7,76 7,94 8,09 8,30 8,45 8,51
60 6,21 6,30 6,39 6,46 6,75 6,94 7,40 7,66 7,84 7,98 8,18 8,33 8,39
70 6,16 6,25 6,34 6,41 6,69 6,88 7,33 7,58 7,76 7,89 8,09 8,24 8,30
80 6,12 6,22 6,30 6,37 6,64 6,83 7,28 7,53 7,70 7,83 8,03 8,18 8,24
90 6,09 6,19 6,27 6,34 6,61 6,80 7,23 7,48 7,65 7,78 7,98 8,12 8,18
100 6,07 6,16 6,24 6,31 6,58 6,77 7,20 7,44 7,61 7,75 7,94 8,08 8,14
120 6,04 6,13 6,21 6,28 6,54 6,72 7,15 7,39 7,56 7,69 7,88 8,02 8,07
200 5,97 6,06 6,13 6,20 6,46 6,63 7,05 7,28 7,44 7,56 7,75 7,88 7,94
240 5,95 6,04 6,11 6,18 6,44 6,61 7,02 7,25 7,41 7,53 7,71 7,85 7,90
 5,86 5,95 6,02 6,08 6,33 6,50 6,88 7,10 7,25 7,37 7,54 7,67 7,72

187 | P á g i n a