Analise Estatistica de Experimentos Texto PDF

ESTATSTICA EXPERIMENTAL:
ANLISE ESTATSTICA DE EXPERIMENTOS
Verso Preliminar
Joo Gilberto Corra da Silva
Universidade Federal de Pelotas

Instituto de Fsica e Matemtica
Departamento de Matemtica, Estatstica e Computao
ESTATSTICA EXPERIMENTAL:
ANLISE ESTATSTICA DE EXPERIMENTOS
Verso Preliminar
Joo Gilberto Corra da Silva
Pelotas, 2003
Contedo
Captulo Pgina
1. Delineamentos Experimentais Simples.......................................... 1
2. Discriminao da Variao Atribuvel a Tratamentos ................... 51
3. Derivaes dos Delineamentos Simples ........................................ 115
4. Experimentos Fatoriais .................................................................. 135
5. Delineamentos com Parcelas Divididas ......................................... 185
6. Anlise de Regresso e Correlao Linear Simples ....................... 213
7. Anlise de Regresso Linear Mltipla ........................................... 241
8. Pressuposies do Modelo Estatstico: Violaes, Implicaes, 269

Verificao e Remdios .................................................................
Apndice Tabelas ............................................................................. 301
ii Estatstica Experimental. 2. Anlise Estatstica de Experimentos
1 Delineamentos Experimentais Simples
Contedo
1.1 Introduo ...........................................................................................................................1

1.2 Delineamento Completamente Casualizado .......................................................................3
1.2.1 Igual nmero de repeties dos tratamentos ..................................................................3
1.2.1.1 Introduo ...............................................................................................................3
1.2.1.2 Estimao dos parmetros por ponto......................................................................4
1.2.1.3 Anlise da variao ................................................................................................8
1.2.1.4 Teste de hiptese ..................................................................................................10
1.2.2 Diferentes nmeros de repeties dos tratamentos ......................................................19
1.2.2.1 Introduo .............................................................................................................19
1.2.2.2 Estimao dos parmetros por ponto....................................................................20
1.2.2.3 Anlise da variao ..............................................................................................20
1.3 Delineamento Blocos Casualizados .................................................................................23
1.3.1 Introduo .....................................................................................................................23
1.3.2 Estimao dos parmetros ............................................................................................24
1.3.3 Anlise da variao ......................................................................................................25
1.3.4 Teste de hiptese ..........................................................................................................26
1.4 Delineamento Quadrado Latino .......................................................................................30
1.4.1 Introduo .....................................................................................................................30
1.4.2 Estimao dos parmetros ............................................................................................32
1.4.3 Anlise da variao ......................................................................................................32
1.5 Preciso do experimento ..................................................................................................36
1.6 Mais de Uma Observao por Unidade Experimental .....................................................38
1.6.1 Introduo .....................................................................................................................38
1.6.2 Modelo estatstico.........................................................................................................38
1.6.3 Anlise estatstica .........................................................................................................39
1.7 Exerccios .........................................................................................................................42
1.8 Exerccios de Reviso ......................................................................................................45
1.1 Introduo
Concluda a conduo do experimento e estando disponveis os seus resultados, deve
ser procedida a anlise estatstica desses resultados para a derivao das inferncias que
constituem o objetivo do experimento.
Os procedimentos de anlise estatstica para a derivao dessas inferncias devem
basear-se no modelo estatstico que expresse a relao das variveis respostas com as
2 Estatstica Experimental. 2. Anlise Estatstica de Experimentos
caractersticas explanatrias e as caractersticas estranhas, que foi determinada pela estrutura

do experimento. Em experimentos bem planejados, o modelo estatstico e esses
correspondentes procedimentos de anlise estatstica so previstos no documento escrito do
plano do experimento.
Nesse texto consideram-se procedimentos de anlise estatstica univariada, isto ,
procedimentos apropriados para a anlise estatstica individual de variveis respostas. Esses
procedimentos de inferncia so apropriados quando as variveis respostas relevantes so de
interesse individual e no apresentam estrutura de relao importante. Nessas circunstncias as
inferncias relevantes para a consecuo dos objetivos do experimento podem ser derivadas a
partir das anlises individuais dessas variveis respostas.
Essa situao muito frequente. De fato, em muitos experimentos, as variveis
respostas tm diferentes nveis de importncia e as mais importantes, que devem ser
submetidas anlise estatstica, no apresentam relao estrutural relevante, de modo que
podem ser consideradas individualmente. Deve ser observado, entretanto, que, mesmo nessa
situao, procedimentos de anlise estatstica multivariada podem adicionar informaes
relevantes referentes variao conjunta de variveis respostas.
Usualmente, conveniente que a aplicao de procedimentos de inferncia estatstica
seja precedida de uma anlise descritiva e exploratria dos resultados do experimento. Essa
anlise preliminar pode ser til para: a) inspeo dos dados para a identificao de possveis
falhas e anomalias importantes; b) verificao de possveis erros de especificao e de
violaes de pressuposies do modelo estatstico; e c) observao da coerncia revelada pelos
dados entre as expectativas, particularmente aquelas relacionadas com a hiptese cientfica, e a
verificao emprica.
Os procedimentos de inferncia estatstica so de trs tipos:
Estimao por ponto;
Estimao por intervalo - Intervalo de confiana;
Teste de hiptese.
O mtodo de estimao por ponto de um parmetro consiste em determinar para
aproximao do valor desconhecido desse parmetro um valor particular derivado a partir dos
valores observados de uma amostra da populao objetivo. Esse valor, que uma funo dos
valores da amostra, um estimador por ponto do parmetro. O valor dessa funo
determinado a partir de uma amostra particular uma estimativa por ponto desse parmetro.
A estimativa determinada para um parmetro utilizada como se fosse o verdadeiro
valor do parmetro, sabendo o pesquisador que esse no o caso. Ento, desejvel que o
estimador satisfaa algumas propriedades convenientes. As duas propriedades mais
importantes so a no tendenciosidade e a varincia mnima.
Um estimador de um parmetro no tendencioso se a mdia dos valores que ele
determina para todas as amostras de tamanho n da populao objetivo o prprio valor do
parmetro. Ele um estimador no tendencioso de varincia mnima, tambm denominado
melhor estimador, se entre todos os estimadores no tendenciosos desse parmetro ele o de
menor varincia. (Naturalmente, em geral, a considerao de todas as amostras de um dado
tamanho n de uma populao somente pode ser concebida abstratamente, particularmente para
populaes conceituais.)
O mtodo de estimao por intervalo de um parmetro consiste em determinar para
aproximao do valor desconhecido desse parmetro um intervalo derivado como funo dos
valores observados de uma amostra da populao objetivo que contenha o parmetro com uma
dada probabilidade. Um intervalo determinado com a probabilidade 1- de conter o valor de
1. Delineamentos Experimentais Simples 3
um parmetro um intervalo de confiana para esse parmetro com coeficiente de confiana

1- .
O mtodo de teste de hiptese referente a um conjunto de parmetros um processo
de deciso entre duas hipteses alternativas referentes a esse parmetro com base nos valores
observados de uma amostra; geralmente, uma hiptese que especifica uma forma de relao
particular para esses parmetros e uma hiptese que nega tal relao.
Esse Captulo e o seguinte descrevem e ilustram a aplicao desses mtodos de
inferncia para os delineamentos experimentais simples: completamente casualizados, blocos
casualizados e quadrado latino, para a situao de um nico fator experimental fixo e ausncia
de controle estatstico.
1.2 Delineamento Completamente Casualizado
1.2.1 Igual nmero de repeties dos tratamentos
1.2.1.1 Introduo
Considere-se um experimento unifatorial com delineamento completamente
casualizado com t tratamentos e com um mesmo nmero r de repeties para todos os
tratamentos. Denote-se por yij o valor observado da varivel resposta na unidade experimental
correspondente repetio j do tratamento i (i=1,2,...,t, j=1,2,...,r).
Postula que o valor observado yij da varivel resposta tem a seguinte expresso:
yij = m + ti + eij, j=1,2,...,r; i=1,2,...,t,
onde m representa a mdia geral esperada, ti o efeito diferencial esperado do tratamento i e eij o
erro experimental. Em outras palavras, isso significa que m e ti representam, respectivamente, a
mdia geral e o efeito diferencial do tratamento i na populao amostrada.
Supe-se que os termos m e ti so constantes populacionais desconhecidas, ou seja,
parmetros, e que o termo eij uma realizao de uma varivel aleatria com distribuio
normal de mdia igual a zero e varincia 2, comum para todas as unidades experimentais.
Supe-se, ademais, que os erros experimentais de quaisquer duas unidades experimentais no
so correlacionados, ou seja, que a correlao de eij e eij nula para ii ou jj. O
propsito do experimento a derivao de inferncias referentes aos parmetros ti, ou m+ti.
Para a situao de modelo fixo, as inferncias de interesse so: estimao por ponto e por
intervalo, e testes de hipteses.
Para a formulao de expresses correspondentes a conceitos importantes disponham-
se os tr valores observados na amostra yij (i=1,2,...,t, j=1,2,...,r) em uma tabela com as
observaes nas unidades experimentais de cada tratamento em uma mesma linha (Tabela
1.1).
Tabela 1.1. Valores observados da varivel resposta em um

experimento unifatorial com delineamento
completamente casualizado com t tratamentos e r
repeties.
Tratamento Repetio (j) Soma Mdia

(i) 1 2 ... r yi. yi.
1 y11 y12 ... y1r y1. y1.
2 y21 y22 ... y2r y 2. y 2.
... ... ... ...
t yt1 yt2 ... ytr y t. y t.
O total e a mdia das observaes de cada tratamento esto dispostos na penltima e

na ltima coluna da Tabela 1.1. A soma e a mdia das observaes do tratamento i so
denotadas, respectivamente, por yi. e yi. 1 (i=1,2,...,t), de modo que:
yij
r
1
yi. = e yi. = yi. .
j=1 r
O total geral e a mdia geral da amostra so denotados por y .. e y.. , respectivamente:
yi .
t 1
y .. = e y.. = y.. .
i=1 n
onde n = tr o total de unidades experimentais.
1.2.1.2 Estimao dos parmetros por ponto

O mtodo de estimao por ponto mais usual o mtodo dos quadrados mnimos.
Esse mtodo de estimao consiste em determinar para estimadores dos parmetros os
correspondentes valores possveis desses parmetros que tornam mnima a soma dos quadrados
dos erros eij = yij m ti correspondentes aos valores observados da varivel resposta na
amostra, yij, i=1,2,...,t, j=1,2,...,r.
Assim, os estimadores de quadrados mnimos dos parmetros m, t1,t2,...,tt so os
valores particulares m, t1 , t 2 , ..., t t 2 dos correspondentes conjuntos dos valores possveis de
m,t1,t2, ...,tt, respectivamente, que tornam mnima a funo:
eij2 = (yij m t i ) 2 .
t r t r
f(m,t1,t2,...,tt) =
i=1 j=1 i=1 j=1
A minimizao dessa funo quadrtica dos parmetros m e ti (i=1,2,...,t) pode ser

efetuada por sua derivao parcial em relao a cada um dos parmetros e resoluo do sistema
de equaes que resulta da anulao simultnea dessas derivadas parciais. Esse sistema de 1+t
1
Pontos no lugar de ndices denotam soma dos valores da varivel resposta em relao aos
ndices substitudos. A barra acima do smbolo da varivel resposta denota mdia dos valores
da varivel resposta em relao aos ndices substitudos por pontos.
2
Denotam-se os estimadores pelas mesmas letras utilizadas para simbolizar os correspondentes
parmetros distinguindo-os por circunflexo.
equaes a 1+t incgnitas (m,t1,t2, ...,tt) indeterminado. Impondo a condio t1 + t 2 +...+ t t = 0

para os estimadores t1 , t 2 ,..., t t (anloga condio t1+t2+...+tt=0 imposta para aos
correspondentes parmetros t1, t2,...,tt), obtm-se a seguinte soluo nica, que constitui o
conjunto dos estimadores de quadrados mnimos dos parmetros:
m = y.. ,
t i = yi . y. . , i=1,2,...,t,
onde, conforme definido anteriormente, y.. a mdia geral da amostra e yi . a mdia dos
valores observados para o tratamento i.
Assim, o estimador da mdia da populao amostrada a mdia da amostra e o
estimador do efeito diferencial de um tratamento o desvio de sua mdia em relao mdia
da amostra.
Observe-se que:
i = m
m + t i = yi . ,
de modo que yi . o estimador da mdia populacional do i-simo tratamento.
O valor estimado (ou valor predito) pelo modelo postulado para a resposta na
unidade experimental correspondente j-sima repetio do tratamento i definido como:
y i j = m + t i =
= mi = yi . , i=1,2,...,t,
ou seja, a mdia observada do tratamento nessa unidade experimental.
Define-se como resduo de uma unidade experimental o valor estimado do erro
experimental nessa unidade experimental determinado pela expresso do valor observado nessa
unidade com os parmetros substitudos pelos correspondentes estimadores:
y =m
ij
+ t + e i ij
= y ij + eij .
Ento, o resduo tem a seguinte expresso:
e = y m
ij
t
ij i
= yij y ij
= yij yi . .
O estimador de quadrados mnimos da variao atribuvel ao erro experimental a
soma dos quadrados dos resduos:
eij2 = (yij yi . )2 .
t r t r
SQ Erro =
i=1 j=1 i=1 j=1
O estimador da varincia atribuvel ao erro experimental (varincia casual) 2 , ento:

1
s2 = SQ Erro ,
t(r 1)
onde t(r-1) o nmero de unidades de informao independentes (ou seja, no redundantes)
referentes ao erro experimental, usualmente denominado nmero de graus de liberdade do
erro. De modo geral, o nmero de graus de liberdade associado com a estimativa da varincia
casual o nmero de unidades experimentais menos o nmero de parmetros linearmente

independentes do modelo estatstico. Com o delineamento completamente casualizado apenas t
dos t+1 parmetros m, t1, t2,...,tt so linearmente independentes.
Exemplo 1.1. Considerem-se os resultados de um experimento que teve como
objetivo a comparao de seis cultivares de soja (denotadas por A, B, C, D, E e F),
apresentados sobre o croqui do experimento, Figura 1.1.
C A E
46 64 39
C B D F C F
48 53 56 46 43 50
B F C A D D F E
51 65 35 59 45 45 59 59
B A E E A D B
55 50 53 53 63 42 69
Figura 1.1. Produo de gros por parcela do experimento de

comparao de seis cultivares de soja do Exemplo 1.1,
registrada sobre o croqui do experimento.
Inicialmente, as observaes so arranjadas em uma tabela apropriada para os clculos

(Tabela 1.2) organizada de modo semelhante Tabela 1.1. (Observe-se que a ordem das
repeties de cada tratamento irrelevante.)
Tabela 1.2. Resultados do experimento do Exemplo 1.1 dispostos

em uma tabela apropriada para a execuo da anlise
estatstica.
Tratamento Repetio (j) Soma Mdia

y i. y i. t i
(i) 1 2 3 4
1-A 64 59 50 63 236 59 7
2-B 53 51 55 69 228 57 5
3-C 46 48 43 35 172 43 -9
4-D 56 45 45 42 188 47 -5
5-E 39 59 53 53 204 51 -1
6-F 46 50 65 59 220 55 3
Total geral: y.. =1.248 0
Mdia geral: y.. =52
As somas e mdias de tratamentos so facilmente calculadas e preenchidas nas

colunas prprias da Tabela 1.2. O total geral e a mdia geral dos resultados do experimento
esto ao p desta tabela. Assim, por exemplo,
y1. = y11 + y12 + y13 + y14 = 64 + 59 + 50 + 63 = 236,

donde:
1 1
y1. = yi. = 236 = 59 ,
r 4
y.. = y1. + y2. + ... + y6. = 236 + 228 + ... + 220 = 1.248 e
1 1
y.. = y.. = 1.248 = 52 .
tr 24
As estimativas das mdias esperadas dos tratamentos e da mdia esperada do
experimento esto assim determinadas, j que mi = yi . e m = y.. . As estimativas dos efeitos
esperados dos tratamentos so, ento, imediatamente determinadas e preenchidas na ltima
coluna da tabela; por exemplo:
t1 = y1. y.. = 59-52 = 7.
A soma dessas estimativas nula.
O valor estimado da varivel resposta para a parcela correspondente repetio 1 do
tratamento 1 :
y11 = m
+ t1 = y1. = 59 .
O resduo para esta mesma parcela , ento:
e11 = y11 y1. = 64 59 = 5 .
Os valores estimados e os resduos assim determinados para todas as parcelas do
experimento so apresentados na Tabela 1.3, ao lado dos valores observados. Note-se que a
soma dos resduos nula para cada tratamento.
Tabela 1.3. Valores observados, valores estimados e resduos das parcelas do

experimento do Exemplo 1.1.
Valor observado Valor estimado Resduo

Repetio Repetio Repetio
Trat. Trat. Trat.
1 2 3 4 1 2 3 4 1 2 3 4
1 64 59 50 63 1 59 59 59 59 1 5 0 -9 4
2 53 51 55 69 2 57 57 57 57 2 -4 -6 -2 12
3 46 48 43 35 3 43 43 43 43 3 3 5 0 -8
4 56 45 45 42 4 47 47 47 47 4 9 -2 -2 -5
5 39 59 53 53 5 51 51 51 51 5 -12 8 2 2
6 46 50 65 59 6 55 55 55 55 6 -9 -5 10 4
A estimativa da variao casual, ou seja, a soma dos quadrados dos resduos , ento:
SQ Erro = 52 +02 +(-9)2 +...+42 = 972;
donde se obtm a estimativa da varincia casual:
1 1
s2 = SQ Erro = 972 = 54 .
6(4 1) 18
1.2.1.3 Anlise da variao

Os procedimentos para os testes de hipteses referentes aos parmetros do modelo so
baseados na anlise da variao. A anlise da variao o procedimento algbrico que
consiste em decompor a variao total das observaes em componentes atribuveis s fontes
de variao sistemticas no experimento (ou seja, fatores e variveis estranhas controladas) e
ao erro experimental. Tais componentes correspondem exatamente aos termos considerados na
equao do modelo estatstico, excluda a mdia geral esperada do experimento. Assim, em
experimento unifatorial com delineamento completamente casualizado, a variao total
decomposta em duas fontes: tratamento e erro. De fato, substituindo os parmetros pelos
respectivos estimadores na equao do modelo para a observao na parcela correspondente
j-sima repetio do tratamento i, obtm-se:
y ij = m + t i + e ij ,
donde:
y ij m = t i + e ij ,
isto ,
yij y.. = t i + e ij =
= (yi. y.. ) + (yij yi . ) .
Dessa forma, o desvio da observao em relao mdia geral (desvio total da
observao) a soma do efeito estimado do tratamento e do resduo na parcela. Elevando
ambos os membros ao quadrado, obtm-se:
(yij y.. ) 2 = (yi. y.. ) 2 + (yij yi . ) 2 + 2(yi . y.. )(yij yi . ) .
Somando ambos os membros para todas as observaes (isto , para todos os valores dos
ndices), resulta:
(yij y.. ) 2 = r (yi . y.. ) 2 + (yij yi . )2 ,

t r t t r
i=1 j=1 i=1 i=1 j=1
j que a soma correspondente ao ltimo termo nula e:

(yi . y.. )2 = (yi . y.. ) 2 = r (yi . y.. ) 2 .
t r r t t
i=1 j=1 j=1 i=1 i=1
A penltima equao a equao fundamental da anlise da variao para o

delineamento completamente casualizado. Ela exprime a variao total dos valores observados
da varivel resposta como a soma da variao atribuvel aos efeitos de tratamentos e da
variao atribuvel ao erro experimental. Seu primeiro membro denominado soma de
quadrados total e os dois termos do segundo membro, respectivamente, soma de quadrados
de tratamento e soma de quadrados do erro.
Simbolicamente, essa equao pode ser expressa na forma:
SQ Total = SQ Tratamento + SQ Erro.
Correspondentemente, os n-1 graus de liberdade referentes s n=tr observaes do
experimento so decompostos em t-1 graus de liberdade para os t tratamentos e tr-1-(t-1) = t(r-
1) graus de liberdade para o erro:
tr-1 = t-1 + t(r-1).
A decomposio da variao total usualmente apresentada em uma tabela,

denominada tabela da anlise da variao, Tabela 1.4.
Tabela 1.4. Esquema da anlise da variao para experimento

unifatorial completamente casualizado com igual nmero
de repeties dos tratamentos.
Fonte de variao GL SQ
SQ Trat. = r (yi . y.. ) 2

t
Tratamento t-1
i=1
(yij yi . ) 2
t r
Erro t(r-1) SQ Erro =
i=1 j=1
(yij y.. ) 2
t r
Total tr-1 SQ Total =
i=1 j=1
Os quocientes das somas de quadrados de tratamento e do erro pelos correspondentes

graus de liberdade, nas respectivas linhas da tabela da anlise da variao, so denominados
quadrados mdios, indicados por:
QM Tratamento = SQ Tratamento/(t-1) e
QM Erro = SQ Erro/t(r-1).
As expresses das somas de quadrados da Tabela 1.4 so denominadas frmulas de
definio. Elas so teis por darem idia da origem das respectivas fontes de variao que
exprimem. Entretanto, para clculo em calculadoras no programveis, podem ser mais
convenientes as seguintes expresses equivalentes, usualmente denominadas frmulas de
clculo:
yij
t r
2
SQ Total = C,
i=1 j=1
yi2. C ,
1 t
SQ Tratamento =
r i=1
onde o termo C, denominado termo de correo (para a mdia), tem a seguinte expresso:
1 t r
2
C = yij = y..2 = tr y..2 .

tr i=1 j=1
1
tr
A SQ Erro pode ser obtida por diferena:
SQ Erro = SQ Total SQ Tratamento.
Exemplo 1.1 (continuao). Para os dados do experimento do Exemplo 1.1 tem-se,
utilizando resultados nas Tabelas 1.2 e 1.3:
SQ Tratamento = 4[72 +52 +...+32 ] = 760,
SQ Erro = 52 +02 +...+42 = 972 e
SQ Total = (64-52)2 +(59-52)2 +...+(59-52)2 = 1.732.
Esses resultados so apresentados em uma tabela de anlise da variao, completada com os
graus de liberdade e os quadrados mdios, Tabela 1.5.
Tabela 1.5. Tabela da anlise da variao para os dados de produo

de gros do experimento do Exemplo 1.1.
Fonte de variao GL SQ QM
Tratamento 5 760 152
Erro 18 972 54
Total 23 1.732
Esses mesmos resultados podem ser obtidos pelas frmulas de clculo, a partir dos
resultados na Tabela 1.2, como segue:
1
C= 1.2482 = 64.896 ,
24
SQ Total = 642 +592 +...+592 - C =
= 66.628 - 64.896 = 1.732,
1
SQ Trat. = (2362 +2282 +...+2202 ) - C =
4
= 65.656 - 64.896 = 760,
SQ Erro = SQ Total SQ Tratamento =

= 1.732 - 760 = 972.
1.2.1.4 Teste de hiptese

O processo lgico para a derivao de inferncias referentes aos efeitos dos
tratamentos num experimento a comparao de duas fontes de variao:
1) variao entre as unidades experimentais com diferentes tratamentos, atribuvel ao
erro experimental e aos efeitos dos tratamentos, se existentes, e
2) variao entre as unidades experimentais com um mesmo tratamento - atribuvel
exclusivamente ao erro experimental.
Se a primeira fonte de variao revela-se consideravelmente superior segunda, de modo a no
poder tal superioridade ser atribuvel apenas s distintas formas de estimao do erro
experimental, ento, o experimento evidencia a existncia de efeitos diferenciais reais de
tratamentos.
A hiptese cientfica de um experimento formulada positivamente, na forma
genrica: os efeitos dos tratamentos sobre a varivel resposta diferem. De modo geral, duas
diferentes formas de estimar o erro experimental conduziro a diferentes estimativas, mesmo
na ausncia de efeitos diferenciais de tratamentos. Por essa razo, o procedimento estatstico
para o teste de uma hiptese cientfica consiste em iniciar com a formulao de uma verso
negativa dessa hiptese, ou seja, com uma hiptese da forma: os efeitos dos tratamentos no
diferem. Ento, se a variao entre as unidades experimentais com diferentes tratamentos se
revela consideravelmente superior variao entre as unidades experimentais com um mesmo
tratamento, essa hiptese rejeitada, concluindo-se pela existncia de diferenas reais entre os
efeitos de tratamentos.
A hiptese estatstica compreende o conjunto de duas hipteses - a hiptese de
negao: os efeitos dos tratamentos no diferem, denominada hiptese de nulidade, e a
hiptese complementar, ou seja: os efeitos dos tratamentos diferem, denominada hiptese
alternativa. Essas duas hipteses so usualmente denotadas simbolicamente por H0 e HA,
respectivamente.
A hiptese estatstica (ou seja, as hipteses de nulidade e alternativa) referente
existncia de efeitos diferenciais esperados dos tratamentos, pode ser simbolicamente
formulada como segue:
H 0 : t i = 0, i = 1,2,..., t

H A : t i 0, para algum tratamento
Dada a relao mi = m + ti, i=1,2,...t, e a condio imposta aos parmetros t1+t2+...+tt=0, essa
hiptese estatstica pode ser alternativamente expressa em termos das mdias esperadas
(populacionais) dos tratamentos, na forma:
H 0 :m1 = m 2 = ... = m t

H A :m i = m i ' , para pelo menos um par dos tratamentos, i e i
Procedimento para o teste da hiptese referente aos efeitos dos tratamentos
O quadrado mdio de uma fonte de variao a variao atribuvel a esta fonte

referente a uma unidade de informao independente provida pelo experimento, ou seja, o
quociente da correspondente soma de quadrados pelos respectivos graus de liberdade. Ento, os
quadrados mdios correspondentes ao erro experimental e aos efeitos de tratamentos so,
respectivamente,
QM Erro = SQ Erro GL Erro e
QM Tratamento = SQ Tratamento GL Tratamento.
Demonstra-se que o valor populacional estimado pelo QM Erro a varincia do erro
experimental, ou varincia casual, ou seja, que:
E(QM Erro) = 2,
o que significa que o QM Erro um estimador no tendencioso da varincia casual 2.
Tambm pode ser demonstrado que:

r t
E(QM Tratamento) = 2 + t i2 .
t 1 i=1
Isso significa que o QM Tratamento um estimador tendencioso da varincia casual 2, com

r t
vis no negativo t i2 . O QM Tratamento ser um estimador no tendencioso de 2 se e
t 1i=1
t
t
2
somente se i = 0 , ou seja, se e somente se ti=0, i=1,2,...,t, pois nesse caso, E(QM
i =1
Tratamento) = 2. Esta condio corresponde hiptese de nulidade H0.

Demonstra-se, tambm, que:
(r 1)QM Erro
V=
2
tem distribuio qui-quadrado com t(r-1) graus de liberdade, denotada por 2t ( r 1) , e que, sob
a hiptese de nulidade H0:
(t 1) QM Tratamento
U=
2
tem distribuio qui-quadrado com t-1 graus de liberdade, ou seja, 2t 1 . Ademais, QM Erro e
QM Tratamento so estatisticamente independentes.
O quociente de duas variveis aleatrias com distribuies qui-quadrado
independentes uma varivel aleatria com distribuio F, ou seja: Se U e V so variveis
aleatrias independentes com distribuies qui-quadrado com 1 e 2 graus de liberdade,
U / 1
respectivamente, ento, a varivel aleatria F = tem distribuio F com 1 e 2 graus de
V / 2
liberdade, o que denotado por F1 , 2 .
Logo, no presente caso, a estatstica:
U / 1
F= =
V / 2
QM Tratamento
=
QM Erro
tem distribuio Ft-1,t(r-1). A funo densidade de probabilidade de uma varivel aleatria F com
esta distribuio tem a representao grfica da forma ilustrada na Figura 1.2. (Recorde-se que
a probabilidades da ocorrncia de valores de uma varivel aleatria em um intervalo
correspondem rea sob a curva de sua funo de densidade de probabilidade compreendida
entre os extremos desse intervalo; a rea total sob a curva igual a 1, o que significa a certeza
da ocorrncia de algum valor da varivel aleatria).
Figura 1.2. Representao grfica da distribuio F.
Observe-se, entretanto, que, se a hiptese de nulidade H0 no verdadeira, ento, o

QM Tratamento superestima a varincia do erro 2. Nesse caso, a estatstica:
QM Tratamento
F=
QM Erro
no tem distribuio F. Nessa situao; esta estatstica tem distribuio F no central com
r t i2 / 2 . Probabilidades de valores desta estatstica F

t
parmetro de no centralidade
i =1
no central situadas na cauda direita so superiores s probabilidades de valores da varivel

aleatria F na correspondente cauda. As representaes grficas das funes de densidade de
probabilidade destas duas estatsticas so ilustradas na Figura 1.3.
Figura 1.3. Representao grfica da distribuio da estatstica F sob a hiptese H0

(distribuio F central - linha contnua) e da distribuio F sob a
hiptese HA (distribuio F no central - linha tracejada).
O teste de hiptese um processo de deciso sob incerteza. O pesquisador no sabe

qual das duas hipteses H0 e HA a correta, exprimindo a verdadeira situao. Com base na
evidncia provida pelo experimento, ele deve decidir em favor de H0 ou de HA. Uma das quatro
seguintes situaes pode resultar desse processo de deciso: a hiptese H0 a verdadeira
situao e o pesquisador decide em favor desta hiptese ou em favor da hiptese alternativa, ou
a hiptese HA verdadeira e o pesquisador decide em favor desta hiptese ou em favor da
hiptese de nulidade. Se a deciso do pesquisador coincidir com a verdadeira situao, a
deciso ser correta; caso contrrio, a deciso ser incorreta. Nessas circunstncias, a deciso
derivada poder ser correta ou incorreta (o que o pesquisador jamais saber!). H duas
possibilidades de deciso correta e duas possibilidades de deciso incorreta, conforme
mostrado na Tabela 1.6.
Tabela 1.6. Decises alternativas que podem resultar do processo de

teste de uma hiptese estatstica.
Deciso
Verdadeira situao
H0 HA
Incorreta
H0 Correta
Erro tipo I
Incorreta
HA Correta
Erro tipo II
O erro que corresponde deciso incorreta de rejeitar a hiptese de nulidade quando

ela exprime a situao real (ou seja, na presente circunstncia, declarar a existncia de
diferenas entre os efeitos de tratamentos quando estes so iguais) denominado erro tipo I. A
probabilidade desse erro em um teste de hiptese denotada pela letra grega . O outro erro de
deciso, correspondente a aceitar a hiptese de nulidade quando a alternativa exprime a
realidade (ou seja, no presente caso, declarar os efeitos de tratamentos iguais quando eles
realmente diferem) denominado erro tipo II; sua probabilidade denotada pela letra grega .
Muito frequentemente, o pesquisador tem a expectativa da presena de efeitos reais de
tratamentos e executa o experimento para comprovar essa expectativa objetivamente. Nessas
circunstncias, o pesquisador deseja que o teste de hiptese atribua probabilidade elevada de
declarar a presena de efeitos diferenciais dos tratamentos se esses efeitos forem reais. Essa
probabilidade, expressa por 1-, denominada potncia do teste.
Seria desejvel a fixao de ambas as probabilidades e em valores muito
pequenos, prximos de zero. Entretanto, e no podem ser ambos escolhidos
convenientemente pequenos. De fato, a diminuio de implica no aumento de e vice-versa.
Ento, muito frequentemente, o pesquisador fixa apenas = Prob.(Erro tipo I) em um
valor convenientemente pequeno, mas no demasiadamente pequeno para que = Prob.(Erro
tipo II) no resulte inconvenientemente alta. Um teste de hiptese nessas circunstncias
denominado teste de significncia; o valor , arbitrariamente escolhido denominado nvel
de significncia do teste.
O argumento desse processo o seguinte: Se a hiptese H0 correta, a estatstica F
tem a distribuio indicada em linha contnua na ilustrao da Figura 1.3; caso contrrio, a
distribuio da estatstica F da forma indicada em linha tracejada, com rea sob a curva mais
concentrada direita. Ento, se a hiptese H0 correta, valores da estatstica F em uma cauda
direita de pequena rea so muito pouco provveis; tais valores elevados de F so mais
provveis se a hiptese correta a HA.
Assim, na ignorncia da verdadeira situao (H0 ou HA?), uma regra de deciso
natural a seguinte: Se o valor da estatstica F determinado no experimento situa-se em uma
rea que corresponde uma probabilidade razoavelmente grande (seja 1-, pequeno) de sua
ocorrncia sob a hiptese de nulidade H0 se aceita esta hiptese; caso contrrio, ou seja, se o
valor da estatstica F elevado, situando-se na rea complementar direita daquela, que
corresponde a uma probabilidade de sua ocorrncia sob H0 (ou seja, ) consideravelmente
pequena, rejeita-se H0 (Figura 1.4).
Figura 1.4. Regio de aceitao e regio de rejeio da hiptese H0

do processo de deciso no teste de uma hiptese
estatstica.
O valor de F na fronteira dessas duas reas, denotado por F, demarca duas regies:
(0, F): Regio de aceitao de H0 e
(F,): Regio de rejeio de H0.
Assim, o nvel de significncia escolhido para um teste de hiptese estabelece como
regio de rejeio da hiptese de nulidade H0 a cauda superior da distribuio F com rea .
A hiptese de nulidade ser rejeitada se o valor da estatstica F observado no experimento
situar-se nessa regio; caso contrrio, ou seja, se o valor observado de F situar-se na regio
complementar, esquerda daquela, denominada regio de aceitao, a hiptese H0 ser aceita.
Claro que com esse processo de deciso sob incerteza o pesquisador corre o risco
inevitvel de rejeitar a hiptese H0 em situaes em que ela verdadeira (risco ou erro tipo I)
com probabilidade , assim como, tambm, o risco de aceitar a hiptese H0 quando a
alternativa HA a verdadeira (risco ou erro tipo II), com probabilidade .
As probabilidades desses dois erros de deciso devem ser estabelecidas a priori, ou
seja, no plano do experimento. A escolha das probabilidades e deve ser feita para cada
experimento, com base no julgamento da seriedade relativa dos dois tipos de erro e sabendo
que a desejvel diminuio de implica no aumento de e vice-versa.
Em um teste de significncia, o pesquisador fixa a probabilidade de erro tipo I
(nvel de significncia do teste) em um valor convenientemente pequeno (mas no
demasiadamente pequeno que implique em valor indesejavelmente grande de ), no
determinando a probabilidade de erro tipo II.
O nvel de significncia = 0,05 tem sido tradicionalmente adotado, de modo
generalizado. Essa escolha implica na admissibilidade da rejeio incorreta da hiptese de
nulidade em 5% dos casos.
Observe-se que, em geral, a rejeio da hiptese de nulidade H0 mais forte do que
sua aceitao. De fato, a aceitao de H0 pode decorrer de: a) inexistncia de diferenas de
efeitos de tratamentos, ou b) insuficiente sensibilidade (preciso) do experimento para revelar

diferenas reais de efeitos de tratamentos.
Procedimento para o teste de significncia
O teste de significncia dos efeitos de tratamentos (ou da variao atribuvel a

tratamentos) pode ser efetuado com o auxlio de tabelas de pontos percentuais superiores da
distribuio F, que apresentam os valores F que demarcam caudas superiores da distribuio F
correspondentes a algumas probabilidades (reas das caudas superiores), mais comumente
0,05, 0,01 e 0,001 (Tabela A1 do Apndice).
Para efetuar o teste de significncia com o auxlio dessas tabelas o pesquisador
compara o valor da estatstica F observado no experimento com o valor F tabelado para o
nvel de significncia escolhido. Se o valor observado de F superior ao valor F da tabela, a
hiptese de nulidade H0 rejeitada, atribuindo-se tal fato a diferenas reais entre os efeitos dos
tratamentos. Diz-se, ento, que "a variao atribuvel aos efeitos de tratamentos foi
significativa", ou que "os efeitos de tratamentos foram significativos". Caso contrrio, ou seja,
se o valor de F observado no experimento inferior ao valor F da tabela, a hiptese H0
aceita, concluindo-se que a "a variao atribuvel aos efeitos de tratamentos no foi
significativa", ou que "os efeitos de tratamentos no foram significativos".
Naturalmente, a confiabilidade da rejeio da hiptese de nulidade ser tanto maior
quanto mais elevado for o valor da estatstica F observado no experimento. Por isso, em um
teste com nvel de significncia , alguns textos recomendam a comparao do valor
observado de F tambm com valores de referncia da tabela que demarcam reas superiores da
distribuio F menores que . Assim, na situao mais usual em que o nvel de significncia
(algumas vezes tambm denominado nvel mnimo de significncia) escolhido = 0,05, se
o valor observado Fo de F maior que o valor de F que demarca a rea superior 0,05, ou seja,
F0,05, o valor Fo tambm comparado com F0,01 e F0,001. Ento, a significncia da variao
atribuvel aos efeitos de tratamentos pode ser qualificada pela indicao da posio do valor
observado Fo relativamente a esses valores F0,05, F0,01 e F0,001 da tabela, ou, equivalentemente,
pela indicao do nvel de probabilidade alcanado pelo valor observado da estatstica F, ou
seja, pela indicao da grandeza da rea superior P da distribuio F demarcada por Fo
relativamente a essas probabilidades 0,05, 0,01 e 0,001 (Figura 1.5).
Fo < F0,05 P > 0,05: no significativa

F0,05 < Fo < F0,01 P < 0,05: significativa
F0,01 < Fo < F0,001 P < 0,01: muito significativa
Fo > F0,001 P < 0,001: altamente significativa
Figura 1.5. Qualificao da significncia dos efeitos atribuveis a tratamentos, em testes

de significncias efetuados com o uso de tabelas da distribuio F.
O resultado do teste de significncia muito frequentemente indicado na tabela da

anlise da variao pela colocao, ao lado do valor observado da estatstica F, de um dos
seguintes smbolos, na ordem das situaes alternativas indicadas na Figura 1.5: - (ou ns), *,
** e ***. Alternativamente, pode-se preencher numa ltima coluna daquela tabela, encabeada
por P ou Prob. > F, o nvel de probabilidade alcanado pelo valor observado da estatstica
F (>0,05, <0,05, <0,01 e <0,001, respectivamente).
As facilidades atuais de computao, propiciadas por equipamentos eletrnicos e

programas ("pacotes") de anlise estatstica, permitem a determinao da probabilidade de
valores de F superiores a um valor particular F' qualquer da distribuio F. Assim, resultados
de anlises estatsticas efetuadas com esses recursos informam a probabilidade de um valor de
F superior ao valor da estatstica F observado no experimento, denotada por Prob.>F, ou, mais
simplesmente, por P.
Com esse recurso, a deciso do teste de significncia obtida pela comparao do
valor Prob.>F determinado para o experimento com o nvel de significncia previamente
escolhido. Ento, se Prob.>F < , rejeita-se a hiptese H0; caso contrrio, ou seja, se
Prob.>F > , se aceita a hiptese H0 (Figura 1.6). Para esses dois resultados alternativos, a
concluso do teste de significncia , respectivamente: "a variao atribuvel a tratamentos foi
significativa (P=...)", com a indicao do valor de Prob.>F entre parnteses, e "a variao
atribuvel a tratamentos no foi significativa (P > ).
Figura 1.6. Deciso em um teste de significncia segundo a

grandeza relativa do valor Prob. > F e do nvel de
significncia .
A indicao de valores de Prob.>F em publicaes tcnico-cientficas muito til por

propiciar ao leitor condies para seu prprio julgamento referente confiabilidade da rejeio
ou aceitao da hiptese de nulidade.
importante salientar que no h qualquer razo lgica para o uso generalizado e
tradicional do valor = 0,05 para nvel de significncia. Essa escolha implica na rejeio
incorreta da hiptese de nulidade em 5% dos casos; ou seja, na rejeio incorreta da hiptese
H0 em aproximadamente 5 de 100 repeties do experimento. Como a gravidade relativa dos
erros tipo I e tipo II varia segundo o experimento, mais apropriado que o pesquisador
estabelea o nvel de significncia (probabilidade do erro tipo I) e, por consequncia, a
probabilidade do erro tipo II para cada experimento, segundo sua apreciao da seriedade
relativa dos erros tipo I e tipo II para cada caso particular.
Exemplo 1.1 (continuao). Considere-se o teste de significncia da variao
atribuvel a cultivares para o experimento do Exemplo 1.1, com nvel de significncia =0,05.
O valor observado da estatstica F :
152
F= = 2,815 .
54
1) Uso de valores de F disponveis em tabelas: Compara-se esse valor observado
F=2,815 da estatstica F com os valores da estatstica F providos pela Tabela A1 do Apndice,
para 5 e 18 graus de liberdade:
2, 77, P = 0, 05

F5;18 (P) = 4, 25, P = 0, 01
6,81, P = 0, 001

Como o valor observado F=2,815 superior ao valor F da tabela para P=0,05, ou seja,
F5;18(0,05) =2,77, a hiptese de nulidade dos efeitos de cultivares rejeitada. Entretanto, esse
valor observado de F inferior ao F5;18(0,01) =4,25. Ento, a concluso do teste de
significncia pode ser expressa, abreviadamente, pela sentena "a variao atribuvel aos
efeitos de cultivares foi significativa (P=0,05). Os resultados da anlise da variao e do teste
de significncia da variao (global) atribuvel a cultivares podem ser apresentados na tabela
da anlise da variao, Tabela 1.7.
Tabela 1.7. Resultados da anlise da variao e do teste de

significncia dos efeitos de tratamentos, para os dados do
Exemplo 1.1.
Fonte de variao GL SQ QM F
Tratamento 5 760 152 2,815 *
Erro 18 972 54
Total 23 1.732
2) Uso de valores Prob.>F providos por computao eletrnica. Compara-se o valor

(Prob.>F) =0,0476 com o nvel de significncia =0,05, pr-estabelecido. Como o valor
(Prob.>F) =0,0476 inferior a =0,05, a hiptese de nulidade rejeitada. A concluso do teste
de significncia pode ser expressa, abreviadamente, pela sentena "a variao atribuvel aos
efeitos de cultivares foi significativa (P=0,0476)".
Note-se que, com o primeiro processo de deciso estrito, a hiptese de nulidade
rejeitada pela observao de um valor da estatstica F levemente superior ao valor tabelado
para P=0,05, e que um valor circunstancial levemente inferior ao valor tabelado (por exemplo,
F=2,76) conduziria aceitao da hiptese de nulidade. Esse processo rgido de deciso no
razovel. Essa uma razo para a convenincia a adoo do segundo procedimento baseado
em resultados providos pelo uso de computadores. O conhecimento da probabilidade da cauda
superior limitada pelo valor observado da estatstica F e sua indicao na expresso do
resultado ou concluso do teste de significncia permite uma apreciao mais adequada do
resultado do teste de significncia do que a indicao simblica por meio de asteriscos, baseada
apenas em nveis de probabilidade discretos disponveis em tabelas. No presente exemplo, o
processamento da anlise da variao e do teste de significncia da variao atribuvel a
cultivares por computador produz os resultados resumidos na Tabela 1.8.
Tabela 1.8. Resumo da anlise da variao e resultado do teste de

significncia dos efeitos de cultivares processados por um
"pacote" de anlise estatstica. Dados do Exemplo 1.1.
Fonte de variao GL SQ QM F Prob.>F

Tratamento 5 760 152 2,815 0,0476
Erro 18 972 54
Total 23 1.732
A Figura 1.7 mostra a relao entre os dois processos de teste de significncia: a)

comparao do valor observado F da estatstica F com o valor F desta estatstica, que limita
cauda de rea , e b) comparao da probabilidade de obter um valor da estatstica F superior
ao valor observado desta estatstica, Prob.>F, com o nvel de significncia .
Figura 1.7. A hiptese H0 rejeitada porque, para o nvel de significncia

escolhido =0,05, (F=2,815) > (F=2,77) ou,
equivalentemente, [(Prob.>F)=0,0476] < .
1.2.2 Diferentes nmeros de repeties dos tratamentos
1.2.2.1 Introduo
No delineamento completamente casualizado o nmero de repeties pode no ser o
mesmo para todos os tratamentos. Nmeros diferentes de repeties podem decorrer do prprio
plano do experimento ou da deciso de desconsiderar os resultados de algumas unidades
experimentais. A primeira situao pode resultar, por exemplo, de restries do material
experimental, que pode no ser suficiente para o nmero de repeties desejvel para todos os
tratamentos (a quantidade de semente disponvel para algumas cultivares pode ser escassa, por
exemplo), ou da necessidade ou convenincia de adotar nmeros diferentes de repeties para
dois ou mais grupos de tratamentos (em algumas circunstncias, pode ser conveniente um
nmero de repeties mais elevado para o tratamento testemunha, por exemplo). Por outro
lado, ocorrncias fortuitas durante a execuo do experimento (por exemplo, morte de plantas
ou animais, prejuzo causado por agentes estranhos e falta de registro ou registro equivocado
de medidas) podem originar fontes de variao estranhas que ficam confundidas com os efeitos
de tratamentos. Nestas circunstncias, pode ser mais conveniente desconsiderar a resposta nas
unidades experimentais afetadas, originando-se o que se denomina parcela perdida. Nesse
caso, o procedimento de anlise estatstica resulta ligeiramente alterado.
Seja ri o nmero de repeties do i-simo tratamento (i=1,2,...,t). A equao do
modelo estatstico para a resposta observada na parcela correspondente j-sima repetio do
tratamento i , ento,
yij = m + ti + eij, j=1,2,...,ri, i=1,2,...,t.
As pressuposies referentes aos termos dessa equao, para completar a
especificao do modelo estatstico, so as mesmas listadas para a situao de igual nmero de
repeties dos tratamentos. Entretanto, agora, conveniente impor a seguinte restrio aos
efeitos esperados dos tratamentos: r1 t1 +r2 t2 +...+rt tt =0.
1.2.2.2 Estimao dos parmetros por ponto

Os estimadores de quadrados mnimos dos parmetros tm expresses semelhantes s
anteriores, com as adequadas alteraes para levar em conta os diferentes nmeros de
repeties dos tratamentos:
m = y.. e t i = yi . y .. ,
onde:
ri yij
t t r
1 i
y.. = y .. , n = , y .. = e
n i=1 i=1 j=1
yij .
r
1 i
yi . = yi . , y i . =
ri j=1

O esquema da anlise da variao, com as fontes de variao e os correspondentes
graus de liberdade e expresses de definio e de clculo das somas de quadrados,
apresentado na Tabela 1.9.
Tabela 1.9. Esquema da anlise da variao para experimento unifatorial

completamente casualizado com diferentes nmeros de repeties.
SQ
Fonte de variao GL
Frmula de definio Frmula de clculo 1
ri (yi . y. . ) 2 r
t t 1
2
Tratamento t-1 yi . C
i=1 i=1 i
(ri 1) (yij yi . ) 2
t t ri
Erro Por diferena
i =1 i=1 j=1
n-1= ri 1 (yij y.. )2 yij

t t ri t ri
2
Total C
i =1 i=1 j=1 i=1 j=1
ri .
1 t
1 2
C= y .. = n y..2 , onde: n =
n i=1
Exemplo 1.2. Considere-se um experimento que teve como objetivo a avaliao da

eficcia do uso do Triclabendazole para o controle da fascola em bovinos de corte, aplicado
em pocas estratgicas, no intervalo do desmame ao abate. O experimento constou dos
seguintes tratamentos: 1-Triclabendazole quatro vezes ao ano, 2-Triclabendazole duas vezes ao
ano, 3-Controle. O experimento foi conduzido com 32 animais, dos quais 12 foram atribudos
ao tratamento 1, 12 ao tratamento 2 e 8 ao tratamento 3. Os tratamentos foram aplicados aos
animais individualmente a partir do desmame e os animais foram mantidos juntos, em um
mesmo potreiro. Os dados de peso ao abate, em kg por animal, so apresentados na Tabela
1.10, que inclui as estimativas determinadas para os parmetros do modelo estatstico.
Tabela 1.10. Resultados do experimento do Exemplo 1.2 - Peso ao

abate, em kg/animal.
Animal Tratamento (i)

(j) 1 2 3
1 366 404 338
2 374 329 369
3 311 384 393
4 358 440 312
5 354 424 374
6 380 339 311
7 449 296 412
8 358 397 464
9 476 467
10 425 383
11 398 367
12 376 362
yi. 4.625 4.592 2.973 y.. = 12.190
m i = y i. 385,42 382,67 371,63 m = y .. = 380,94
t i = y i. y .. 4,48 1,73 -9,31
Como na situao de igual nmero de repeties dos tratamentos, as somas de

quadrados podem ser determinadas por frmulas de definio ou de clculo. A determinao
das somas de quadrados pelas frmulas de clculo efetuada a seguir:
1
C= 12.1902 = 4.643.628,13 ,
32
SQ Total = 3662 +3742 +...4642 C

= 4.711.960 - 4.643.628,12 = 68.331,88,
1 1
SQ Tratamento = (4.6252 +4.5922) + 2.9732 - C =
12 8
= 3.539.757,42 + 1.104.841,12 - 4.643.628,12 = 970,42.
A anlise da variao completada na prpria tabela da anlise da variao (Tabela

1.11), de modo anlogo ao caso em que o nmero de repeties igual para todos os
tratamentos.
Tabela 1.11. Anlise da variao dos resultados do experimento do Tabela

1.2.

Tratamento 2 970,42 485,208 0,2089 0,8127
Erro 29 67.361,46 2.322,809
Total 31 68.331,88
1.3 Delineamento Blocos Casualizados
1.3.1 Introduo
Considere-se um experimento em blocos casualizados com t tratamentos e b blocos

cujos resultados so dispostos na Tabela 1.12, de dupla-entrada, onde yij representa o valor
observado da varivel resposta na unidade experimental com o tratamento i no bloco j.
Tabela 1.12. Resultados de um experimento unifatorial em blocos

casualizados dispostos em uma tabela de dupla-entrada.
Tratamento Bloco (j) Soma Mdia

(i) yi . y i.
1 2 ... b
1 y11 y12 ... y1b y1. y1.
2 y21 y22 ... y2b y2 . y2 .

... ... ... ...
T yt1 yt2 ... ytb yt . yt .
Soma (y.j) y.1 y.2 ... y.b y. .

Mdia y. j y.1 y. 2 y. b y..
Nas duas ltimas colunas e nas duas ltimas filas da Tabela 1.12 esto as somas e
mdias de tratamentos e blocos, respectivamente:
yij , y. j = yij ,
b t 1 1
yi . = yi . = yi . , y . j = y . j
j=1 i=1 b t
e, ao p das duas ltimas colunas, esto o total geral e a mdia geral do experimento,
respectivamente:
yi . = y . j ,
t b
1
y .. = y.. = y .. ,
i=1 j=1 n
onde n = tb o nmero total das unidades experimentais.
1.3.2 Estimao dos parmetros
A estimao dos parmetros pode ser procedida pelo mtodo dos quadrados mnimos.
Esse mtodo de estimao determina como estimadores dos parmetros os correspondentes
valores de m, t1 ,t2 ,..,tt , b1 ,b2 ,...,bb que tornam mnima a soma dos quadrados dos erros como
funo dos parmetros:
e
t b
2
f(m, t1 ,t2 ,..,tt ,b1 ,b2 ,...,bb) = ij =
i =1 j=1
( y
t b
= ij m ti b j )2 .
i =1 j=1
A minimizao dessa funo quadrtica pode ser efetuada por sua derivao parcial
em relao a cada um dos parmetros e resoluo do sistema de 1+t+b equaes a 1+t+b
incgnitas (mdia, t efeitos de tratamentos e b efeitos de blocos) que resulta da anulao
simultnea das derivadas parciais. Esse sistema de equaes indeterminado. Uma soluo
nica pode ser obtida pelo estabelecimento das condies t 1 + t 2 + ... + t t = 0 e
b1 + b 2 + ... + b b = 0 , anlogas quelas impostas para os parmetros. Essa soluo constitui os
estimadores para os parmetros:
m = y.. ,
t i = yi. y.. , i=1,2,...t, e

b j = y. j y.. , j=1,2,...b,
onde yi . a mdia das observaes para o tratamento i, y. j a mdia para o bloco j e y.. a
mdia geral das observaes do experimento. Dessa forma, o estimador do efeito de um
tratamento o desvio entre a mdia do tratamento e a mdia geral do experimento, e o
estimador do efeito de um bloco o desvio da mdia do bloco em relao mdia geral.
O valor estimado (ou valor predito) para a resposta em uma unidade experimental
definido como:
y ij = m + t i + b j , i=1,2,...t, j=1,2,...b.
A resposta observada em uma unidade experimental pode ser expressa da seguinte
forma, pela substituio dos parmetros pelos respectivos estimadores na equao do modelo:
y ij = m + t i + b j + e ij ,
onde:
e ij = y ij m t i b j
= y ij y ij
o desvio entre o valor observado e o valor estimado para a unidade experimental,
denominado resduo da observao.
O estimador de quadrados mnimos da varincia casual 2 :
e ij =
1 t b
s2 =
(t 1)(b 1) i=1 j=1
(yij yi . y. j + y.. )2 .
1 t b
=
(t 1)(b 1) i=1 j=1
onde (t-1)(b-1) o correspondente nmero de graus de liberdade, isto , nmero de

observaes menos nmero de parmetros independentes no modelo estatstico que so
estimados: tb-(t+b-1)=(t-1)(b-1).
1.3.3 Anlise da variao
A partir da ltima expresso para a resposta observada sobre uma unidade

experimental, obtm-se:
y m = t + b + e ,
ij i j ij
ou seja:
yij y.. = t i + b j + e ij =
= (yi . y.. ) + (y. j y.. ) + (yij yi . y. j + y.. ) .
Dessa forma, o desvio total da resposta observada em uma unidade experimental
decomposto em trs componentes: efeito estimado do tratamento, efeito estimado do bloco e
resduo referente unidade experimental. Elevando os desvios totais ao quadrado e somando
para todas as unidades experimentais, obtm-se a seguinte equao fundamental da anlise
da variao para o delineamento blocos casualizados:
(yij y.. )2 = b (yi . y.. ) 2 + t (y. j y.. ) 2 + (yij yi . y. j + y.. ) 2 ,
i j i j i j
j que as somas de produtos dos termos do segundo membro da expresso do desvio total so
nulas e que:

(yi . y.. )2 = (yi . y.. )2 = b (yi . y.. ) 2

e
i j j i i

(y. j y.. ) 2 = (y. j y.. ) 2 = t (y. j y.. ) 2 .
i j j
i j
Assim, em um experimento em blocos casualizados, a soma de quadrados total, que

exprime a variao total das observaes do experimento, decomposta em trs componentes,
correspondentes s trs fontes de variao presentes neste delineamento: os dois primeiros
exprimindo os efeitos de tratamentos e de blocos, designados, respectivamente, SQ Tratamento
e SQ Bloco, e o ltimo atribuvel ao erro experimental, designado SQ Erro ou SQ Erro; ou
seja:
SQ Total = SQ Tratamento + SQ Bloco + SQ Erro.
Correspondentemente, os tb-1 graus de liberdade referentes variao total podem ser
decompostos em t-1, b-1 e tb-1-(t-1)-(b-1) = (t-1)(b-1) graus de liberdade, correspondentes s
variaes atribuveis a tratamento, bloco e erro, respectivamente:
tb-1 = t-1 + b-1 + (t-1)(b-1).
Essa decomposio da variao total e dos correspondentes graus de liberdade pode ser
apresentada em uma tabela de anlise da variao, Tabela 1.13.
Tabela 1.13. Esquema da anlise da variao para experimento

unifatorial com delineamento blocos casualizados.
Bloco b-1 t (y. j y.. )2

j
Tratamento t-1 b (yi . y.. ) 2

i
Erro (t-1)(b-1) (yij -yi . y. j + y.. ) 2

i j
Total tb-1 (yij y.. ) 2

i j
A tabela da anlise da variao completada com a determinao dos quadrados

mdios, obtidos pelo quociente das somas de quadrados pelos respectivos graus de liberdade:
QM Bloco = SQ Bloco/(b-1),
QM Tratamento = SQ Tratamento/(t-1) e
QM Erro = SQ Erro/(t-1)(b-1).
As expresses das somas de quadrados da Tabela 1.13 so denominadas frmulas de
definio. As seguintes expresses, denominadas frmulas de clculo, derivadas das frmulas
de definio, so mais convenientes para clculos com o recurso de calculadoras de bolso no
programveis:
SQ Total = yij2 C ,
i j

1
SQ Bloco = y.2j C e
t j

1
SQ Tratamento = yi2. C ,
b i
onde:
1
2
C = yij = y ..2 .
tb i j
1
tb
A SQ Erro pode ser obtida por diferena, na prpria tabela da anlise da variao:
SQ Erro = SQ Total - SQ Bloco - SQ Tratamento.
1.3.4 Teste de hiptese
A primeira hiptese de interesse , geralmente, a hiptese de nulidade dos efeitos

esperados de tratamentos (ou, equivalentemente, igualdade das mdias esperadas de
tratamentos):
H O :t i = 0, i = 1,2,..., t

H A :t i 0, para pelo menos um tratamento
Pelo mesmo argumento desenvolvido para o delineamento completamente

QM Tratamento
casualizado, essa hiptese pode ser testada pela estatstica F = , que, sob a
QM Erro
hiptese de nulidade, tem distribuio F com t-1 e (t-1)(b-1) graus de liberdade.
A fonte de variao bloco corresponde caracterstica estranha controlada por
controle local e constitui um fator de unidade ou fator de erro. Nessas circunstncias, o efeito
de bloco aleatrio. Se h um fator experimental associado parceiro desse fator de unidade,
esses fatores resultam completamente confundidos, e tal fator experimental no testvel. Se
no h um fator experimental associado a bloco, pode haver interesse no teste da seguinte
hiptese referente varincia 2b atribuvel ao fator de unidade bloco:
H O : 2b = 0

H A : 2b > 0
O teste dessa hiptese informa sobre a eficcia do controle experimental propiciado pela
QM Bloco
formao de blocos. Um teste dessa hiptese provido pela estatstica F = que, sob a
QM Erro
hiptese HO: 2b =0, tem distribuio F com b-1 e (t-1)(b-1) graus de liberdade. A rejeio da
hiptese de nulidade H0 evidncia da eficcia do controle local exercido pela formao de
blocos.
Exemplo 1.3. Considere-se um experimento que foi conduzido com o propsito de
comparar as seguintes cultivares de ervilha de porte baixo: 1-nica, 2-Profusion, 3-Roi des
Fins Verts, 4-Early Harvest, 5-Annonay, 6-Fins des Gourmets, quanto produo de gros
secos. Os resultados - produo de gros secos em decagramas por parcela de 4m2 - esto
registrados sobre o croqui do experimento, Figura 1.8.
5 4 2 6 3 1
Bloco 1
76 88 72 60 72 112
3 2 6 1 4 5
Bloco 2
44 43 39 87 84 33
2 1 3 4 5 6
Bloco 3
84 72 44 60 35 65
5 4 1 2 6 3
Bloco 4
34 64 69 49 48 42
Figura 1.8. Croqui do experimento de comparao de seis cultivares

de ervilha, Exemplo 1.3, com os dados de produo de
gros secos, em dag/4m2.
Os resultados do experimento so dispostos em uma tabela de dupla-entrada, Tabela

1.14, completada com as estimativas das mdias e dos efeitos de cultivares e blocos.
Tabela 1.14. Resultados do experimento do Exemplo 1.3 dispostos em uma

tabela de dupla-entrada, com as estimativas das mdias e dos
efeitos de cultivares e blocos.
Bloco Soma Mdia t i =

Cultivar yi . yi .
1 2 3 4 yi . y..
1 112 87 72 69 340 85,0 23,5
2 72 43 84 49 248 62,0 0,5
3 72 44 44 42 202 50,5 -11,0
4 88 84 60 64 296 74,0 12,5
5 76 33 35 34 178 44,5 -17,0
6 60 39 65 48 212 53,0 - 8,5
Soma y. j 480 330 360 306 1.476= y ..
Mdia y. j 80,0 55,0 60,0 51,0 61,5= y..
b j = y . j y .. 18,5 -6,5 -1,5 -10,5
Observe-se que a soma das estimativas dos efeitos diferenciais de cultivares e a soma
das estimativas dos efeitos diferenciais de blocos, respectivamente na ltima coluna e na ltima
linha da Tabela 1.14, so ambas nulas, salvo erros de aproximao.
O valor estimado da resposta na unidade experimental com a variedade 1 no bloco 1 :
y =m
11 + t + b = 1 1
= 61,5 + 23,5 + 18,5 = 103,5.
O resduo da observao nessa mesma parcela :
e11 = y11 y 11 =
= 112 - 103,5 = 8,5.
Semelhantemente, podem ser obtidos os valores estimados e os resduos para as
demais parcelas do experimento, apresentados na Tabela 1.15, ao lado das respostas
observadas. Observe-se que a soma dos resduos nula, para cada tratamento e para cada
bloco.
Tabela 1.15. Valores observados, valores estimados e resduos das parcelas do

Valor observado Valor estimado Resduo

Bloco Bloco Bloco
Cult. Cult. Cult.
1 2 3 4 1 2 3 4 1 2 3 4
1 112 87 72 69 1 103,5 78,5 83,5 74,5 1 8,5 8,5 -11,5 -5,5
2 72 43 84 49 2 80,5 55,5 60,5 51,5 2 -8,5 -12,5 23,5 -2,5
3 72 44 44 42 3 69,0 44,0 49,0 40,0 3 3,0 0,0 -5,0 2,0
4 88 84 60 64 4 92,5 67,5 72,5 63,5 4 -4,5 16,5 -12,5 0,5
5 76 33 35 34 5 63,0 38,0 43,0 34,0 5 13,0 -5,0 -8,0 0,0
6 60 39 65 48 6 71,5 46,5 51,5 42,5 6 -11,5 -7,5 13,5 5,5
A estimativa da varincia casual 2 :

1
s2 = SQ Erro =
(t 1)(b 1)
1
= (8,52 +8,52 +...+5,52) = 149,333.
(6 1)( 4 1)
Essa estimativa da varincia , mais usualmente, obtida pela anlise da variao,
efetuada a seguir.
As somas de quadrados podem ser determinadas pelas frmulas de definio, usando
resultados da Tabela 1.14 e da Tabela 1.15, como segue:
SQ Bloco = 6[18,52 +(-6,5)2 +(-1,5)2+(-10,5)2] = 2.982,
SQ Cultivar = 4[23,52 +0,52 +...+(-8,5)2 ] = 4.764,
SQ Erro = 8,52 +8,52 +...+5,52 = 2.240,
SQ Total = (112-61,5)2 +(87-61,5)2 +...+(48-61,5)2 = 9.986.
Alternativamente, essas somas de quadrados podem ser determinadas pelas frmulas
de clculo:
1
C= 1.4762 = 90.774,
24
SQ Total = 1122+872+...+482 - C =
= 100.760 - 90.774 = 9.986,
1
SQ Bloco = (4802+3302+3602+3062) - C =
6
= 93.756 - 90.774 = 2.982,
1
SQ Cultivar = (3402+2482+...+2122) - C =
4
= 95.538 - 90.774 = 4.764,
SQ Erro = SQ Total - SQ Bloco - SQ Cultivar =

= 9.986 - 2.982 - 4.764 = 2.240.
A anlise da variao e os testes de significncia so completados na prpria tabela da

anlise da variao, Tabela 1.16.
Tabela 1.16. Anlise da variao e teste de significncia dos efeitos

de tratamentos para os dados do Exemplo 1.3.

Bloco 3 2.982,0 994,000 6,656 0,0045
Cultivar 5 4.764,0 952,800 6,380 0,0023
Erro 15 2.240,0 149,333
Total 23 9.986,0
Dado que (Prob.>F)=0,0023 inferior a = 0,05, rejeita-se a hiptese de nulidade dos

efeitos de cultivares. Logo, conclui-se que a variao entre os efeitos de cultivares foi
significativa (P=0,0023).
1.4 Delineamento Quadrado Latino
1.4.1 Introduo
Uma observao particular em um experimento em quadrado latino pode ser

classificada segundo o tratamento, fila e coluna a que se refere. Entretanto, com a disposio
das observaes em uma tabela de tripla-entrada ter-se-ia, para t tratamentos, apenas 1/t das
clulas no vazias. Por essa razo, comum a disposio dos dados em uma tabela de dupla-
entrada para filas e colunas, com a identificao do tratamento correspondente em cada clula
da tabela. Considerem-se os resultados de um experimento em quadrado latino que so
dispostos na Tabela 1.17, onde y*jk o valor observado da varivel resposta na unidade
experimental na fila j e na coluna k, com um dos t tratamentos, indicado por um asterisco. O
asterisco usado no lugar do ndice que especifica o tratamento j que o tratamento em uma
clula particular dessa Tabela, que corresponde combinao de uma fila com uma coluna,
depende do resultado da casualizao para o experimento particular.
Tabela 1.17. Resultados de um experimento em quadrado latino dispostos

em uma tabela de dupla-entrada, por fila e coluna.
Fila Coluna (k) Soma Mdia

(j) 1 2 ... t y . j. y. j.
1 y*11 y*12 ... y*1t y .1. y.1.

2 y*21 y*22 ... y*2t y. 2. y. 2.
... ... ... ...
t y*t1 y*t2 y*tt y. t . y. t .
Soma y .. k y ..1 y .. 2 y .. t y ...
Mdia y .. k y..1 y .. 2 y.. t y ...
Nas duas ltimas colunas e nas duas ltimas linhas da Tabela 1.17 esto as somas e
mdias das observaes para linhas e para colunas, respectivamente:
y*jk , y* jk ,
t t
1 1
y. j. = y. j . = y . j . , y .. k = y.. k = y .. k ,
k=1 t j=1 t
onde n=t2. (Observe-se que quando as observaes em uma fila so somadas em relao ao
ndice k, que denota coluna, tambm so somadas em relao ao ndice i, que denota
tratamento; semelhantemente, quando as observaes em uma coluna so somadas em relao
ao ndice j tambm so somadas em relao ao ndice i.) Ao p das duas ltimas colunas esto
o total geral e a mdia geral das observaes do experimento:
y. j. = y.. k ,
t t
1
y ... = y... = y... ,
j=1 j=1 n
onde: n = t2.
Observe-se que as somas e as mdias para filas e para colunas podem ser obtidas por
meio das somas de observaes em relao a tratamentos; por exemplo, as somas para filas
podem ser obtidas pela expresso:
yijk .
t
y. j. =
i=1
Para os clculos, necessita-se, tambm, das somas e das mdias de tratamentos, que
podem ser obtidas, alternativamente, pela soma das observaes para as linhas ou para as
colunas.
yijk yijk ;
t t 1
yi .. = ou yi .. = yi .. = yi .. .
j=1 k =1 t
Note-se, novamente, que as mdias de tratamentos, de filas e de colunas so obtidas
pelas somas de apenas um dos trs ndices (um dos outros dois ndices simultaneamente
somado), e que a mdia geral obtida pela soma de apenas dois dos trs ndices (o outro ndice
simultaneamente somado).
Os estimadores dos parmetros do modelo, determinados pelo mtodo dos quadrados

mnimos, so os seguintes:
m = y... ,
t i = yi .. y... , i=1,2,...,t,
f j = y. j . y... , j=1,2,...,t,
c k = y.. k y... , k=1,2,...,t.
O valor estimado da resposta em uma unidade experimental definido como:
y = m
ijk + t + f + c ,
i j k
e o erro estimado ou resduo:

e ijk = yijk y ijk .
Da expresso do modelo estatstico para uma observao com os parmetros

substitudos pelos correspondentes estimadores, obtm-se a seguinte expresso para o desvio
total:
y = m + t + f + c ,
ijk i j k
= (yi .. y... ) + (y. j . y... ) + (y.. k y... ) + (yijk yi .. y. j . y .. k + y... ) .

Elevando ambos os membros ao quadrado e somando para todas as unidades experimentais,
obtm-se a seguinte decomposio da soma de quadrados total:
(yijk y... ) 2 = t (yi .. y... ) 2 + t (y. j . y... ) 2 + t (y.. k y... )2 +
j k i j k
+ (yijk yi .. y. j . y .. k + y... )2 ,
j k
onde os termos do segundo membro so somas de quadrados que estimam as variaes

atribuveis a efeitos de tratamentos, efeitos de filas, efeitos de colunas e ao resduo, nesta
ordem.
Dessas expresses de definio das somas de quadrados podem ser derivadas
expresses mais convenientes para clculos com calculadoras no programveis.
Correspondentemente a essa decomposio da variao total, os t2-1 graus de
liberdade referentes variao das t2 unidades do experimento so decompostos em quatro
componentes: t-1 graus de liberdade referentes a cada um dos efeitos atribuveis a coluna, fila e
tratamento e (t-1)(t-2) graus de liberdade referente ao erro experimental:
t2-1 = (t-1) + (t-1) + (t-1) + (t-1)(t-2).
A decomposio da variao total e dos correspondentes graus de liberdade pode ser
apresentada em uma tabela de anlise de variao, Tabela 1.18, onde aparecem, lado a lado, as
frmulas de definio e as frmulas de clculo das somas de quadrados.
Tabela 1.18. Esquema da anlise da variao para um experimento unifatorial em

quadrado latino com t tratamentos.
SQ
Fonte de variao GL
Frmula de definio Frm. de clculo 1
Fila t-1 t (y. j. y... ) 2 1

y.2j. C
j t k
Coluna t-1 t (y.. k y... ) 2 1

y..2 k C
k t k
Tratamento t-1 t (yi .. y... ) 2 1

yi2.. C
i t i
Erro (t-1)(t-2) (yijk yi .. y. j . y .. k +2y... ) 2

Por diferena
j k
Total t2-1 (yijk y... ) 2 yijk

2
C
j k j k
1
2
C = 2 yijk = 2 y ...
t j k
1 1 2
t
Exemplo 1.4. Considerem-se resultados de um experimento que teve como objetivo a

comparao de variedades tardias de trigo: 1 - IAS 20, 2 - Passo Fundo, 3 - Vila Velha, 4 -
Curitiba e 5 - S.1, em duas pocas de plantio. O experimento adotou o delineamento em
quadrado latino 5x5 em cada uma das duas pocas. Os dados de produo de gros na primeira
poca, em decagramas por parcela de 6m2, so apresentados na Figura 1.9, registrados no
croqui do experimento. Nessa mesma figura esto determinadas as somas, as mdias e as
estimativas dos efeitos de filas e colunas.
Coluna Soma Mdia f j =

Fila
1 2 3 4 5 y. j. y. j . y . j . y ...
1 3 4 5 2
1 393 78,6 -1,2
61 29 75 134 94
4 5 3 2 1
2 361 72,2 -7,6
70 120 35 83 53
5 2 1 3 4
3 343 68,6 -11,2
133 86 57 16 51
3 1 2 4 5
4 422 84,4 4,6
38 65 96 91 132
2 4 5 1 3
5 476 95,2 15,4
111 89 138 92 46
Soma y .. k 413 389 401 416 376 1.995
1.995
Mdia: y .. k 82,6 77,8 80,2 83,2 75,2 y... = = 79,8
25
ck = y.. k y... 2,8 -2,0 0,4 3,4 -4,6
Figura 1.9. Produo de gros, em dag/6m2, e somas, mdias e efeitos

estimados de colunas e filas, referentes ao experimento de
comparao de variedades de trigo do Exemplo 1.4.
As somas e mdias da amostra e as estimativas dos efeitos diferenciais de variedades

esto na Tabela 1.19.
Tabela 1.19. Somas e mdias observadas e estimativas dos

efeitos diferenciais de variedades para o
Soma Mdia t i
Variedade yi .. yi .. yi .. y...
1 328 65,6 -14,2
2 470 94,0 14,2
3 164 32,8 -47,0
4 376 75,2 -4,6
5 657 131,4 51,6
O valor estimado da resposta na unidade experimental na primeira fila e primeira

coluna, com o tratamento 1 :
y111 = m
+ t1 + f1 + c1 =
= 79,8 - 1,2 + 2,8 - 14,2 = 67,2;
e o correspondente resduo:
e111 = y111 y 111 =

= 61 - 67,2 = -6,2.
Os valores estimados e resduos assim determinados para todas as 25 parcelas do experimento
constam da Tabela 1.20.
Tabela 1.20. Valores estimados e resduos das parcelas do experimento do Exemplo

1.4.
Valor estimado Resduo

Coluna Coluna
Fila Fila
1 2 3 4 5 1 2 3 4 5
1 1 3 4 5 2 1 1 3 4 5 2
67,2 29,6 74,4 133,6 88,2 -6,2 -0,6 0,4 0,4 5,8
2 4 5 3 2 1 2 4 5 3 2 1
70,4 121,8 25,6 89,8 53,4 -0,4 -1,8 9,4 -6,8 -0,4
3 5 2 1 3 4 3 5 2 1 3 4
123,0 80,8 54,8 25,0 59,4 10,0 5,2 2,2 -9,0 -8,4
4 3 1 2 4 5 4 3 1 2 4 5
40,2 68,2 99,0 83,2 131,4 -2,2 -3,2 -3,0 7,8 0,6
5 2 4 5 1 3 5 2 4 5 1 3
112,2 88,6 147,2 84,4 43,6 -1,2 0,4 -9,2 7,6 2,4
As somas de quadrados so efetuadas a seguir, pelas frmulas de definio:

SQ Fila = 5[(-1,2)2+(-7,6)2+...+15,42] = 2.214,8,
SQ Coluna = 5[2,82+(-2,0)2+...+(-4,6)2] = 223,6,
SQ Variedade = 5[(-14,2)2+14,22+...+51,62] = 26.480,0,
SQ Erro = (-6,2)2+(-0,6)2+...+2,42 = 729,6.
Esses mesmos resultados so obtidos pelas expresses de clculo:
1
C= 1.9952 = 159.201,
25
SQ Total = 612 +292 +...+462 - C =

= 188.849 - 159.201 = 29.648,
1
SQ Fila = (3932 +3612 +...+4762 ) - C =
5
= 161.415,8 - 159.201 = 2.214,8,
1
SQ Coluna = (4132 +3892 +...+3762 ) - C =
5
= 159.424,6 - 159.201 = 223,6,
1
SQ Variedade = (3282 +4702 +...+6572 ) - C =
5
= 185.681 - 159.201 = 26.480.
Analise da variao e os testes de significncia podem ser completados na prpria

tabela da anlise da variao, Tabela 1.21.
Tabela 1.21. Anlise da variao e testes de significncia dos efeitos

de variedades, para o experimento do Exemplo 1.4.

Coluna 4 223,6 55,9 0,919 0,4843
Fila 4 2.214,8 553,7 9,107 0,0013
Variedade 4 26.480,0 6.620,0 108,882 < 0,0001
Erro 12 729,6 60,8
Total 24 29.648,0
Logo a variao entre os efeitos de variedades foi significativa (P<0,0001).
1.5 Preciso do experimento

A preciso de um experimento relaciona-se com o erro experimental, ou seja, a
variabilidade do material experimental no controlada por controle local ou controle estatstico:
A preciso de um experimento to maior quanto menor o erro experimental. Dessa forma, a
preciso do experimento expressa pela varincia do erro experimental 2, que tambm
pode ser designada de varincia da observao em uma unidade experimental, ou
varincia de uma unidade experimental, que estimada por s2 = QM Erro.
A unidade de medida da varincia do erro experimental, assim como a de sua
estimativa, o quadrado da unidade de medida da varivel resposta, ou dos dados em
considerao, o que dificulta a sua interpretao como medida de preciso do experimento.
Uma expresso mais conveniente da preciso do experimento sob esse aspecto o desvio
padro da observao em uma unidade experimental ou desvio padro de uma unidade
experimental, , que estimado por s = QM Erro , cuja unidade de medida a mesma da
varivel resposta.
Entretanto, o desvio padro, assim como a varincia, depende da unidade de medida.
Consequentemente, desvios padres de experimentos semelhantes e referentes a uma mesma
caracterstica expressa por variveis com distintas unidades de medida no so comparveis.
Uma expresso da preciso do experimento independente da unidade de medida e, portanto,
mais conveniente o coeficiente de variao, usualmente designado por CV, definido como o
desvio padro da observao em uma unidade experimental expresso como percentagem da
s
mdia, ou seja: 100 , estimado por: 100 , onde s = QM Erro .
m m
A preciso da estimativa de uma mdia de tratamento, baseada em r repeties,

expressa pela correspondente varincia da mdia de tratamento: 2y = 2 r , estimada por
i
s 2y 2
= s r , ou sua raiz quadrada - o desvio padro da mdia de tratamento.
i
Exemplo 1.4 (continuao). Para o experimento do Exemplo 1.4, essas medidas da

preciso so, respectivamente:
s2 = 60,8 dag2/6m2,
s= 60,8 = 7,797 dag/6m2,
60,8
CV = 100 = 9,77%,
79,8
60,8 60, 8
s 2y = = 12, 6 dag2/6m2 e s y = = 3, 4871 dag/6m2.
i 5 i 5
O coeficiente de variao, como qualquer das outras medidas de preciso no uma
medida absoluta da preciso de um experimento. Ele uma medida de preciso relativa, que
depende da varivel resposta e da rea e da linha de pesquisa. No tem sentido comparar
coeficientes de variao referentes a variveis respostas distintas, bem como de experimentos
conduzidos com espcies vegetais ou animais diferentes, ou com critrios distintos de controle
experimental. Por exemplo, em experimentos de comparao de cultivares de trigo,
coeficientes de variao de caractersticas da planta, como altura e peso da produo de gros,
so sabidamente maiores que coeficientes de variao de caractersticas do gro, como peso
hectolitro e teor de amido; semelhantemente, em experimentos de nutrio de sunos, no so
comparveis coeficientes de variao referentes a peso corporal ao abate e coeficientes de
variao de caractersticas da carcaa, como comprimento de carcaa e espessura de gordura.
Tambm no so comparveis coeficientes de variao de peso da produo de gros de trigo e
de peso da produo de gros de milho, como, tambm, coeficientes de variao de peso ao
abate de aves e de peso ao abate de bovinos. Igualmente, no tem sentido comparar
coeficientes de variao de experimentos com plantas conduzidos em condies de campo e de
experimentos conduzidos em casa de vegetao.
A interpretao do coeficiente de variao de um experimento referente a uma
varivel resposta particular deve ser procedida com base em uma escala de referncia de
coeficientes de variao correspondentes mesma varivel resposta mensurada em
experimentos semelhantes conduzidos no passado cujos nveis de preciso sejam conhecidos.
Observe-se, tambm, que, embora o coeficiente de variao seja afetado pelo vis do
experimento, na medida em que o vis se reflita no erro experimental, ele no constitui uma
medida apropriada para a avaliao do vis. Dessa forma, o coeficiente de variao no uma
medida adequada da validade do experimento. Assim, por exemplo, no caso de um
experimento agrcola de campo conduzido em diversos locais por diversos anos, o coeficiente
de variao no pode ser usado como critrio nico para a rejeio ou desqualificao de partes
do experimento correspondentes a locais e anos especficos. A origem de um elevado
coeficiente de variao em uma parte do experimento deve ser investigada pelo pesquisador.
Ela pode decorrer, simplesmente, de uma elevada variabilidade do material experimental
tambm presente na populao objetivo. Nessas circunstncias, a desconsiderao de tais
partes do experimento prejudicaria a representao da populao objetivo pela amostra.
1.6 Mais de Uma Observao por Unidade Experimental
1.6.1 Introduo
Em algumas situaes experimentais, a unidade experimental constitui-se de mais de

uma unidade de observao. Observaes mltiplas nas unidades experimentais podem resultar
da subdiviso da unidade experimental em partes em cada uma das quais efetuada a
observao da varivel resposta, ou da avaliao da resposta por meio de amostragem da
unidade experimental. A primeira situao ocorre, por exemplo, em experimentos com animais
em que a parcela (potreiro ou boxe) constituda por mais de um animal e cada um deles
avaliado individualmente, e em experimentos com plantas em que so avaliadas mais de uma
planta ou grupo de plantas por parcela. A situao de amostragem comum em alguns tipos de
experimentos em que a avaliao da resposta feita por meio de uma parte da parcela e que
para a representatividade desta utilizado um processo de amostragem; por exemplo, a
mensurao de caractersticas referentes composio qumica em experimentos com plantas
ou animais que procedida por meio de uma ou mais amostras coletadas de cada unidade
experimental. A variao entre unidades de observao dentro de uma mesma unidade
experimental constitui o erro de observao que, na segunda situao tambm denominado
de erro de amostragem.
Na primeira situao, o erro de observao uma medida da homogeneidade dentro
da unidade experimental, enquanto que na segunda situao, o erro de observao ou erro de
amostragem associado com a repetitividade da tcnica de mensurao.
Considerar-se- aqui apenas a situao de igual nmero de unidades de observao
por unidade experimental.
1.6.2 Modelo estatstico
No caso de mais de uma unidade de observao por unidade experimental, o modelo

estatstico deve ser estendido para a considerao do efeito atribuvel ao erro de observao.
Assim, por exemplo, para um experimento em blocos casualizados com s unidades de
observao por parcela, a equao que exprime o valor da varivel resposta observada na k-
sima unidade de observao da parcela com o tratamento i no bloco j :
yijk = m + ti + bj + eij + aijk, i=1,2,...,t, j=1,2,...,b, k=1,2,...,s,
onde m, ti , bj e eij, i=1,2,...,t, j=1,2,...,b, tm os mesmos significados indicados para a equao
especificada para o modelo estatstico para o delineamento blocos casualizados, e aijk
representa o erro de observao.
As correspondentes pressuposies so as mesmas listadas anteriormente acrescidas
das seguintes duas:
d) aijk so variveis aleatrias que satisfazem condies semelhantes ao erro
experimental, ou seja:
d1) Var(aijk ) = a2 , k=1,2,...,s (constante).
d2) aijk tm distribuio normal.
d3) Os erros de observao aijk e ai'j'k' de duas unidades de observao distintas no
so correlacionados.
e) Erros de observao e erros experimentais no so correlacionados.
1.6.3 Anlise estatstica
Se a informao provida pelo erro de observao no de interesse, o modelo

estatstico pode simplificar-se quele descrito na Seo 2.6, segundo o delineamento em que as
unidades experimentais esto dispostas. Nesse caso, a anlise estatstica efetuada com os
totais das unidades experimentais (somas dos resultados nas correspondentes unidades de
observao), pelos mesmos procedimentos descritos anteriormente.
De modo geral, entretanto, conveniente utilizar toda a informao provida pelo
experimento. Usualmente, as expresses das estatsticas (estimadores de parmetros, somas de
quadrados, quadrados mdios na anlise de variao, etc.) so determinadas com referncia
unidade de observao. Essas expresses so as mesmas expresses anteriores, exceto que
totais so divididos pelo fator adicional s para prover mdias e os denominadores de somas de
quadrados tm o fator adicional s.
Como a varivel resposta tem uma fonte de variao adicional - o erro de observao -
a anlise da variao compreende mais o correspondente componente.
O procedimento de anlise estatstica ser ilustrado por um exemplo.
Exemplo 1.5. Considere-se um experimento que teve o propsito de determinar o
melhor sistema de conduo para a videira, visando o aumento da produtividade e da qualidade
da uva para vinificao. O experimento foi conduzido com a cultivar Cabernet Franc sob o
porta-enxerto Kobber 5BB e compreendeu os seguintes trs sistemas de conduo: 1 - Latada,
2 - Semi-latada e 3 - Espaldeira. Cada parcela constou de nove plantas, com espaamento
comum de 2,5m entre linhas e 2,0m entre plantas dentro de linha. Foi adotado o delineamento
blocos casualizados, com quatro blocos. Os dados de produo de cachos de uva das duas
plantas centrais de cada parcela esto na Tabela 1.22.
Tabela 1.22. Produo de cachos de uva, em kg, por planta. Dados do Exemplo
1.5.
Bloco Soma Mdia

Tratamento y1.. y1.. t i
1 2 3 4
1 4,9 8,5 4,3 9,0
6,4 8,3 6,2 5,2
Soma 11,3 16,8 10,5 14,2 52,8 6,6 2,3
2 4,5 3,7 3,5 4,0
3,6 3,3 5,3 4,9
Soma 8,1 7,0 8,8 8,9 32,8 4,1 -0,2
3 2,1 2,0 1,9 2,4
1,9 2,4 2,2 2,7
Soma 4,0 4,4 4,1 5,1 17,6 2,2 -2,1
Soma 23,4 28,2 23,4 28,2 103,2 0,0
As estimativas da mdia geral esperada do experimento e das mdias e dos efeitos

diferenciais esperados de tratamentos so obtidas como indicado a seguir:
yijk
1 1
m = y... = = y... =
bts i j k bts
1 1
= (4,9 + 8,8+...+ 2, 7) = 103, 2 = 4,3 ,
4x3x2 24
y1jk
1 1
m1 = y1.. = = y1.. =
bs j k bs
1 1
= (4,9 +8, 5+...+ 5, 2) = 8 52,8 = 6, 6 ,
4x2
t1 = y1.. y ... =
= 6,6 - 4,3 = 2,3.
As somas de quadrados referentes a Bloco, Tratamento e Parcela so obtidas como
usual, com s como fator extra:
103, 22
C= = 443,76,
24
1
SQ Bloco = (23,42+28,22+23,42+28,22) - C = 3,84,
3x2
1
SQ Tratamento = (52,82+32,82+17,62) - C = 77,92,
4x2
1
SQ Parcela = (11,32+16,82+...+5,12) - C = 91,87.
2
A soma de quadrados referente aos resultados individuais nas unidades de observao - SQ
Observao ou SQ Total - obtida como segue:
SQ Total (SQ Observao) = 4,92+6,42+...+2,72 - C = 104,74.
As somas de quadrados referentes ao erro experimental e ao erro de observao so obtidas por
diferena:
SQ Erro Experimental = SQ Parcela - SQ Bloco - SQ Tratamento =

= 91,87-3,84 - 77,92 = 10,11,
SQ Erro Observao = SQ Observao - SQ Parcela =

= 104,74-91,87 = 12,87.
Os graus de liberdade para Bloco, Tratamento e Parcela so obtidos da forma usual

para o delineamento; os graus de liberdade para o erro experimental e o erro de observao so
obtidos por diferena, da mesma forma que as respectivas somas de quadrados. A anlise da
variao completada na prpria tabela - Tabela 1.23.
Tabela 1.23. Anlise da variao da produo de cachos de uva por planta,

Exemplo 1.5.

Bloco 3 3,84
Tratamento 2 77,92 38,960 23,122 0,0015
Erro Experimental 6 10,11 1,685 1,572 0,2439
Parcela 11 91,87
Erro Observao 12 12,87 1,072
Observao 23 104,74
Os valores esperados dos quadrados mdios de Tratamento (efeitos fixos), Erro

experimental e Erro de observao so:
t i2 ,
bs
E(QM Tratamento) = a2 + s2 +
t 1 i
E(QM Erro Experimental) = a2 + s2 ,
E(QM Erro Observao) = a2 .
Observa-se que a varincia de unidades de observao (plantas) dentro de parcelas
contribui para o erro experimental, j que as diferentes parcelas contm diferentes unidades de
observao, e, portanto, tambm para a variao entre tratamentos. Assim, tanto a varincia de
tratamento como a do erro experimental contm contribuio do erro de observao. Como
usual, a variao entre tratamentos tambm inclui contribuio atribuvel ao erro experimental,
j que os efeitos de tratamentos so avaliados em diferentes unidades experimentais. Dessa
forma, o erro experimental apropriado para inferncias referentes a tratamentos (no o erro de
observao), j que o QM Tratamento tem apenas uma possvel fonte de variao no contida
pelo QM Erro experimental - aquela devida aos prprios tratamentos. Ento, um teste da
hiptese de nulidade dos efeitos de tratamentos provido pela seguinte estatstica F:
QM Tratamento
F= ,
QM Erro Experimental
que tem distribuio F com 1 e 2 graus de liberdade correspondentes a Tratamento e Erro
experimental, respectivamente. No exemplo,
38, 96
F= = 23,122 .
1, 685
O erro experimental pode conter ou no variao adicional quela entre unidades de
observao, dependendo da relao de grandeza entre a variao entre unidades experimentais
e a variao entre unidades de observao. Essa questo pode ser respondida por teste provido
pela seguinte estatstica F:
QM Erro Experimental
F= ,
QM Erro Observao
que tem distribuio F com 2 e 3 graus de liberdade referentes a Erro experimental e Erro de
observao, respectivamente. Para o exemplo, tem-se:
1, 685
F= = 1,571.
1, 0725
O coeficiente de variao pode ser determinado na base de uma unidade experimental
ou de uma unidade de observao, respectivamente das seguintes formas:
s QM Erro 2x1, 685
CV(Parcela) = 100 = 100 = 21,3% e

sm 2x4, 3
QM Erro 1, 685
CV(Observao) = 100 = 100 = 30, 2% .
m 4, 3
O desvio padro de uma mdia de tratamento :
QM Erro Experimental 1, 685
s yi = = = 0, 4589 .
bs 4x2
1.7 Exerccios
1. Suponha que os dados que seguem so os resultados de um experimento em blocos
casualizados, com efeitos de tratamentos fixos e de blocos aleatrios:
Bloco
Tratamento
1 2
1 5 7
2 4 8
3 3 3
a) Especifique o modelo estatstico (equao algbrica e pressuposies) para o

experimento.
b) Determine as estimativas de quadrados mnimos dos efeitos esperados dos tratamentos.
c) Determine o valor estimado para cada uma das parcelas do experimento.
d) Determine os resduos (estimativas dos erros experimentais) para as seis parcelas do
experimento.
e) Determine a soma de quadrados correspondente variao total entre as seis parcelas
do experimento e as somas de quadrados correspondentes s trs fontes de variao que
lhe compem: Bloco, Tratamento e Erro experimental, pelas expresses de definio.
(Utilize resultados obtidos nos itens anteriores).
f) Determine as mesmas somas de quadrados referidas no item anterior pelas expresses
de clculo.
g) Organize e complete a tabela da anlise da variao para o experimento, incluindo:
fontes de variao, graus de liberdade, quadrados mdios e estatstica F.
2. Um experimento foi conduzido para testar os efeitos de cinco diferentes dietas em leites.
Um conjunto homogneo de 30 leites foi utilizado. Os leites foram distribudos
aleatoriamente em cinco grupos de seis animais e a cada grupo foi atribuda uma das cinco
dietas. Os ganhos de peso individuais dos animais durante o perodo experimental foram os
seguintes:
Grupo Ganho de peso (kg) Soma

Controle 4,1 3,3 3,1 4,2 3,6 4,4 22,7
Nvel 1 da rao A 5,2 4,8 4,5 6,8 5,5 6,2 33,0
Nvel 2 da rao A 6,3 6,5 7,2 7,4 7,8 6,7 41,9
Nvel 1 da rao B 6,5 6,8 7,3 7,5 6,9 7,0 42,0
Nvel 2 da rao B 9,5 9,6 9,2 9,1 9,8 9,1 56,3
Soma 195,9
a) Calcule as estimativas da mdia e do desvio padro para cada dieta.

b) H qualquer evidncia de heterogeneidade de varincia entre as dietas?
c) Supondo que os cinco grupos so comparveis com respeito a pesos iniciais dos leites,
obtenha concluses referentes variao dos efeitos de dietas sobre o ganho de peso no
perodo.
d) Redija as concluses da anlise estatstica.
3. Os dados que seguem (peso de gros de trevo vermelho, em gramas por parcela) provm de
um experimento completamente casualizado que visou o estudo do efeito do
intracruzamento sobre a incidncia de trevo vermelho:
Tratamento Repetio
F1 254 263 266 249 337 277 289 244 265
SI 236 191 209 252 212 224
F2 253 192 141 160 229 221 150 215 232 234 193 188
F3 173 164 183 138 146 125 178 199 170 177 172 198
a) Especifique o modelo estatstico apropriado para o experimento.

b) Especifique a hiptese genrica de nulidade dos efeitos de tratamentos.
c) Determine a estimativa da varincia do erro separadamente para cada tratamento.
d) Verifique que o QM Erro a mdia ponderada das estimativas das varincias para cada
tratamento cujos pesos so os graus de liberdades dessas estimativas.
e) Efetue a anlise da variao e teste a hiptese especificada no item b.
f) A anlise estatstica efetuada at aqui responde todas as perguntas do experimentador?
g) Determine o coeficiente de variao para o experimento.
h) Redija as concluses da anlise estatstica efetuada.
4. Os dados de produo de algodo em dois locais de execuo de um experimento de
fertilizao do solo, com delineamento blocos casualizados so apresentados a seguir:
Local 1 Local 2
Bloco Bloco
Tratam. Tratam.
1 2 3 4 1 2 3 4
Testem. 2,4 1,2 3,0 2,8 Testem. 8,5 8,0 10,0 7,0
N1PK1 4,6 2,4 2,8 3,2 N1PK1 11,0 10,5 9,0 9,0
N1PK2 3,6 2,2 1,8 3,2 N1PK2 10,0 9,5 9,0 8,0
N2PK1 3,2 2,6 3,0 2,0 N2PK1 12,0 9,0 9,5 9,5
N2PK2 3,6 2,8 3,0 2,4 N2PK2 10,5 11,5 10,6 10,0
Efetue a anlise da variao e o teste de significncia da variao atribuvel a efeitos de

tratamentos, para cada um dos dois locais.
5. Um pesquisador deseja comparar a preferncia do consumidor sobre quatro mtodos de
preparo de leite em p. Para tal propsito ele utiliza um painel de cinco julgadores e registra
a nota mdia do painel como observao. Notas individuais dos julgadores so atribudas
entre os nmeros inteiros do intervalo de 0 a 10, onde 0 corresponde a extremo sabor
estranho e 10 a sabor natural.
Amostras de leite em p preparado por cada um dos quatro mtodos so reconstitudas e
apresentadas ao painel para as provas de degustao e atribuio de notas, em oito
diferentes ocasies ou perodos, que constituem "blocos" para o experimento. Suponha que
o experimento considerado na questo anterior foi conduzido e que resultados parciais da
anlise estatstica de seus dados so os seguintes:
SQ Total = 320,00,
QM Erro = 2,52,
QM Tratamento = 55,50.
Mdias de tratamentos: 9,6; 8,9; 5,2 e 3,8.
a) Reconstrua a tabela da anlise da variao para o experimento e efetue o teste de
significncia dos efeitos de tratamentos.
b) Determine as estimativas dos seguintes parmetros:
i) Varincia de uma observao do experimento.
ii) Desvio padro de uma observao do experimento.
iii) Varincia e desvio padro da estimativa da mdia geral do experimento ( m = y.. ).
iv) Varincia e desvio padro da estimativa da mdia de um tratamento ( mi = yi . ).
v) Varincia e desvio padro da estimativa da diferena de duas mdias de tratamentos:
( yi . yi ' . ).
c) Determine e interprete o intervalo de confiana para a mdia esperada do tratamento 1,
com coeficiente de confiana de 95%.
6. Determine as expresses de clculo para a SQ Total e a SQ Tratamento para o
delineamento completamente casualizado, a partir das respectivas frmulas de definio,
para a situao de diferentes nmeros de repeties dos tratamentos. A que expresses se
reduzem essas frmulas quando o nmero de repeties igual para todos os tratamentos?
7. Determine as estimativas dos parmetros do modelo para o delineamento completamente
casualizado pelo mtodo de quadrados mnimos.
8. Demonstre que o quadrado mdio do erro um estimador no tendencioso da varincia do

erro e que, em geral, o quadrado mdio de tratamentos um estimador tendencioso da
varincia do erro. Qual a condio para que o QM Tratamento tambm seja um estimador
no tendencioso da varincia do erro?
1.8 Exerccios de Reviso

1. Para cada uma das seguintes situaes de delineamento experimental liste as fontes de
variao e os correspondentes graus de liberdade em uma tabela de anlise de variao.
a) Blocos completos casualizados com cinco blocos e oito tratamentos.
b) Completamente casualizado com 15 tratamentos e cinco repeties de 13 dos
tratamentos e trs repeties dos outros dois tratamentos.
c) Quadrado latino 6x6 com os tratamentos constituindo um esquema fatorial 2x3.
2. Apresente o croqui de um experimento com as caractersticas indicadas no item c) da
questo anterior, mostrando um dos possveis arranjos dos tratamentos que poderia resultar
do processo de casualizao.
3. Para um experimento de dois tratamentos e cinco repeties de cada tratamento, considere
os dois seguintes esquemas experimentais:
A - Os dois tratamentos so aplicados aleatoriamente s dez unidades experimentais,
resultando cinco unidades com cada um dos dois tratamentos.
B - Os dois tratamentos so aplicados aleatoriamente s duas unidades de cada um dos
cinco pares de duas unidades em que so agrupadas as dez unidades experimentais,
resultando cada um desses cinco pares de unidades com uma unidade com cada um dos
tratamentos.
a) Caracterize as distines no que se refere ao material experimental das situaes em que
esses esquemas experimentais seriam apropriados.
b) Apresente o esquema da anlise da variao (fontes de variao e correspondentes graus
de liberdade) para os dois esquemas experimentais.
c) Explique em que aspectos o procedimento de anlise estatstica apropriado para o
primeiro experimento diferiria do procedimento para o segundo experimento.
4. Suponha que um pesquisador deseja comparar a eficincia da ao de trs drogas distintas
sobre o desenvolvimento corporal de sunos da raa Duroc e que, para esse propsito, ele
dispe de seis ninhadas de quatro leites machos. O pesquisador decide executar o
experimento com quatro tratamentos, incluindo um controle (sem droga), alm das trs
drogas.
a) Que delineamento experimental seria mais apropriado para o experimento? Justifique a
resposta.
b) Especifique o modelo estatstico, com a indicao da equao do modelo e
correspondentes pressuposies.
c) Especifique o esquema da anlise da variao apropriada para o delineamento
escolhido, indicando as fontes de variao e os correspondentes graus de liberdade.
5. Um experimento foi conduzido em casa de vegetao para verificar o efeito de um
fertilizante mineral sobre o desenvolvimento da planta da ervilha. O fertilizante foi aplicado
aleatoriamente em quatro de oito vasos, sendo os quatro vasos restantes deixados como
testemunha. As alturas das plantas na maturao foram as seguintes:
Sem fertilizante: 27, 31, 24, 31;
Com fertilizante: 46, 37, 49, 40.

a) Especifique o modelo estatstico apropriado para o experimento.
b) Especifique a hiptese estatstica (hiptese de nulidade e hiptese alternativa)
correspondente hiptese cientfica do experimento.
c) Teste a hiptese H0: m1=m2 contra HA: m1m2, onde m1 e m2 so as mdias esperadas
dos tratamentos com e sem fertilizante, pela estatstica F, por meio da anlise da
variao.
d) Teste a mesma hiptese especificada no item anterior pela estatstica t.
e) Qual a relao entre as estatsticas F e t para experimentos com dois tratamentos?
f) A anlise estatstica efetuada responde todas as perguntas que o experimento se destina
a responder? Justifique a resposta.
g) Verifique que o QM Erro a mdia das estimativas das varincias do erro experimental
individuais para os dois tratamentos.
6. Suponha que est sendo planejado um experimento com o propsito de comparar trs
tratamentos, os nicos de interesse no experimento, a ser conduzido com delineamento
completamente casualizado com duas repeties de cada um dos tratamentos.
a) Especifique a equao (expresso algbrica e significado de seus smbolos) do modelo
estatstico para o experimento.
b) Liste as pressuposies do modelo estatstico (modelo fixo).
Suponha que o experimento foi conduzido e que os dados que seguem so os valores
observados de uma varivel resposta do experimento:
Repetio
Tratamento
1 2
1 8 7
2 4 6
3 3 2
c) Determine as estimativas de quadrados mnimos dos efeitos esperados de tratamentos.

d) Determine o valor estimado para cada uma das parcelas do experimento.
e) Determine os resduos (estimativas dos erros experimentais) para as seis parcelas do
experimento.
f) Determine a soma de quadrados correspondente variao total entre as seis parcelas
do experimento e as somas de quadrados correspondentes s duas seguintes fontes de
variao que lhe compem: Tratamento e Erro experimental, pelas expresses de
definio. (Utilize resultados obtidos nos itens anteriores).
g) Determine as mesmas somas de quadrados referidas no item anterior pelas expresses
de clculo.
h) Organize e complete a tabela da anlise da variao para o experimento, incluindo:
fontes de variao, graus de liberdade, quadrados mdios e estatstica F.
7. Em um vinhedo do Centro Nacional de Pesquisa de Uva e Vinho da EMBRAPA, tomaram-
se ao acaso 25 videiras que foram classificadas de acordo com os seguintes graus de
infeco de virose do enrolamento:
1. Plantas sadias,
2. Plantas com infeco mdia,

3. Plantas com infeco forte.
A anlise do mosto da uva produzida pelas 25 videiras forneceu os seguintes teores de
acar, em gramas por litro:
Sem infeco Infec. mdia Infeco forte

182 172 143 161 149 149
182 178 185 170 164 149
175 154 182 192 175 146
182 182 182 167
167 172 167
a) Execute a anlise da variao e efetue o teste da hiptese de igualdade das mdias

esperadas de tratamentos.
b) Determine o coeficiente de variao.
c) Redija as concluses da anlise estatstica efetuada.
8. Em um experimento de competio de sete cultivares de milho em blocos casualizados as
produes, em kg/ha, divididas por 10, foram as seguintes:
Bloco
Cultivar
1 2 3 4
1 192 234 210 192
2 311 370 364 357
3 326 399 342 351
4 254 219 201 223
5 227 280 282 271
6 300 311 300 380
7 331 342 364 263
a) Execute a anlise da variao e efetue o teste de nulidade dos efeitos esperados de

tratamentos.
b) Calcule o coeficiente de variao.
9. Os dados que seguem, referentes produo de razes de beterraba, em toneladas por
hectare, provm de um experimento em quadrado latino com seis tratamentos - fontes
diferentes de nitrognio. (Os nmeros entre parnteses identificam os tratamentos.)
Coluna
Linha
1 2 3 4 5 6
1 (6) (4) (1) (2) (5) (3)
32,1 29,1 28,2 33,1 31,1 32,4
2 (5) (2) (3) (6) (4) (1)
31,0 29,5 29,4 30,6 33,0 24,8
3 (4) (5) (6) (3) (1) (2)
30,6 28,8 31,9 30,8 21,7 30,1
4 (3) (1) (2) (4) (6) (5)
33,1 26,7 28,8 31,4 30,4 31,9
5 (2) (6) (5) (1) (3) (4)
29,9 30,3 30,3 25,8 33,5 32,3
6 (1) (3) (4) (5) (2) (6)
21,4 29,7 27,4 29,1 30,7 30,8
a) Execute a anlise da variao.

b) Calcule o coeficiente de variao para o experimento.
10. Um experimento de campo foi conduzido para comparar os efeitos de oito fertilizantes
sobre o rendimento de aveia. Em vez de colher completamente cada parcela, foram colhidos
de cada parcela seis quadrados (amostras) de 30 cm de lado. Resultados da anlise da
variao so dados a seguir.
Fonte de variao GL QM
Repetio 4 320
Tratamento 640
Erro experimental 160
Erro de amostragem 40
Total 239
a) Especifique o modelo estatstico (equao algbrica e pressuposies) para o

experimento.
b) Preencha os graus de liberdade omitidos e as somas de quadrados, e efetue o teste de
significncia referente aos efeitos de tratamentos, pela estatstica F. Interprete os
resultados.
c) Suponha que o rendimento mdio (por amostra) para um dos tratamentos 40.
Determine e interprete o intervalo de confiana para a mdia esperada desse tratamento
com coeficiente de confiana de 95%.
d) Estime a varincia de uma mdia de tratamento.
e) Qual seria o ganho ou perda de informao se o mesmo experimento houvesse adotado
seis repeties e quatro amostras por parcela?
11. Decida se cada uma das seguintes sentenas verdadeira ou falsa, incluindo entre
parnteses as letras V ou F, respectivamente. Se a sentena for falsa, explique por que.
( ) Em uma anlise de variao, as fontes de variao correspondem s condies
sistemticas impostas ou controladas no experimento.
( ) A anlise da variao requer que todos os tratamentos tenham a mesma varincia, que
estimada pelo QM Erro.
( ) Em uma anlise de variao, h um grau de liberdade associado com cada total
elevado ao quadrado na soma de quadrados no corrigida.
( ) Na anlise da variao, a soma de quadrados total no corrigida sempre igual ou
maior que qualquer outra soma de quadrados, corrigida ou no corrigida.
( ) Em uma anlise de variao, se a mdia geral do experimento zero, o termo de
correo tambm ser igual a zero.
( ) O termo de correo exprime a variabilidade mdia com referncia mdia global do
experimento.
( ) Em um delineamento completamente casualizado, SQ Total = SQ Tratamento + SQ
Erro.
( ) Em uma anlise de variao, um quadrado mdio sempre a estimativa de varincia
dividida pelos correspondentes graus de liberdade.
( ) Os quadrados mdios obtidos em uma anlise de variao so estimadores no
tendenciosos da varincia do erro.
( ) Na anlise da variao para o delineamento completamente casualizado, se a hiptese
de nulidade verdadeira, as somas de quadrados de tratamentos e do erro divididas
pelos correspondentes graus de liberdade estimam a mesma varincia.
( ) Um teste de significncia na anlise da variao usa ambas as caudas da distribuio F
como regio de rejeio porque a hiptese alternativa contm o sinal .
( ) Embora o teste F envolva varincias, quando usado na anlise da variao ele testa
hipteses referentes a mdias.
( ) Em uma tabela de anlise de variao, se o valor da estatstica F menor do que 1,
ento no h necessidade de obter o valor crtico de F da tabela.
( ) Para uma comparao de dois tratamentos pode-se usar tanto um teste t como um teste
F por meio da anlise de variao.
( ) Em um experimento completamente casualizado, a anlise da variao fornece todas
as informaes de interesse do pesquisador, independentemente de que seja a hiptese
de nulidade aceita ou rejeitada.
( ) Em um experimento em blocos casualizados, a anlise da variao no pode ser
efetuada se os tratamentos tm nmeros diferentes de repeties.
( ) Em experimentos em blocos casualizados o erro corresponde interao tratamentos x
blocos.
( ) Pode-se obter um teste de significncia para tratamentos menos poderoso (sensvel)
com o delineamento em blocos casualizados do que com o delineamento
completamente casualizado, se os efeitos de blocos no so significativos, porque o
quadrado mdio do resduo para o delineamento blocos casualizados tem menor
nmero de graus de liberdade.
( ) O delineamento blocos casualizados com quatro blocos e trs tratamentos reserva o
mesmo nmero de graus de liberdade para o teste de significncia de efeitos de
tratamentos que o mesmo delineamento com trs blocos e quatro tratamentos.
( ) Um intervalo de confiana para a diferena entre duas mdias de tratamentos o

mesmo que um intervalo de confiana para a diferena entre dois efeitos de
tratamentos.
( ) Por causa da geral falta de conhecimento sobre a natureza dos efeitos, o modelo de
efeitos aleatrios provavelmente mais comum do que o modelo de efeitos fixos.
( ) Para um experimento unifatorial completamente casualizado, o mesmo teste F
efetuado sejam os efeitos de tratamentos fixos ou aleatrios.
( ) O modelo de efeitos aleatrios tambm chamado de modelo de componentes de
varincia porque o experimentador est mais interessado em fontes de variao do
que em comparaes de mdias.
( ) O procedimento aritmtico para o clculo de somas de quadrados depende dos efeitos
serem fixos ou aleatrios.
( ) A anlise da variao para um delineamento unifatorial completamente casualizado
produz dois quadrados mdios.
( ) Uma correlao intra-classe significativa significa que h marcante dissimilaridade
entre indivduos de um mesmo grupo.
2 Discriminao da Variao Atribuvel a
Tratamentos
Contedo
2.1 Introduo .........................................................................................................................52

2.2 Contraste de Mdias de Tratamentos ...............................................................................55
2.2.1 Introduo .....................................................................................................................55
2.2.2 Estimativa de um contraste...........................................................................................58
2.2.3 Varincia de um contraste ............................................................................................58
2.2.4 Teste de significncia de um contraste .........................................................................59
2.3 Fator Qualitativo Especfico Estruturado Decomposio em Componentes
Ortogonais ........................................................................................................................63
2.3.1 Decomposio em componentes simples .....................................................................63
2.3.2 Decomposio incompleta............................................................................................67
2.4 Fator Quantitativo - Decomposio em Componentes Polinomiais.................................69
2.4.1 Introduo .....................................................................................................................69
2.4.2 Determinao do grau da funo polinomial a ajustar .................................................74
2.4.3 Ajustamento de funo polinomial ...............................................................................77
2.5 Fator Qualitativo Especfico No Estruturado - Comparaes Mltiplas de
Tratamentos ......................................................................................................................86
2.5.1 Introduo .....................................................................................................................86
2.5.2 Varincia da diferena de duas mdias de tratamentos ................................................87
2.5.3 Teste dms de Fisher ......................................................................................................88
2.5.4 Teste de Tukey..............................................................................................................93
2.5.5 Teste de Duncan ...........................................................................................................94
2.5.6 Escolha de teste de comparaes mltiplas ..................................................................96
2.6 Fator Misto Decomposio em Componentes Ortogonais ............................................98
2.7 Comparaes Com Um Testemunha - Teste de Dunnett ...............................................104
2.8 Comparaes Sugeridas Pelos Dados - Teste de Scheff ...............................................107
2.9 Exerccios de Reviso.....................................................................................................111
2.1 Introduo
Se os tratamentos so os nveis de um fator de efeitos fixos, os propsitos do
experimento so estimao e testes de hipteses comparativas referentes aos efeitos de
tratamentos. No caso de apenas dois tratamentos no experimento, a hiptese de nulidade e a
correspondente alternativa reduzem-se a:
H 0 :t 1 = t 2

H A :t 1 t 2
A estatstica F obtida na anlise da variao e a estatstica t so critrios equivalentes
para o teste dessa hiptese. Qualquer uma delas pode ser utilizada e nenhum outro
procedimento adicional necessrio.
Entretanto, se os tratamentos no experimento so em nmero superior a dois, a anlise
de variao antes descrita , em geral, apenas uma primeira etapa na anlise estatstica. Ela
permite o teste, pela estatstica F, da hiptese genrica de nulidade dos efeitos de tratamentos,
isto , da hiptese de que os tratamentos pertencem a uma populao homognea, no diferindo
entre si quanto caracterstica em considerao. A rejeio dessa hiptese de nulidade conduz
aceitao de que pelo menos dois efeitos de tratamentos diferem entre si. Entretanto, no ela
indica quais.
Por outro lado, mesmo com a aceitao da hiptese de nulidade, pode acontecer que
alguns efeitos de tratamentos difiram entre si. Isso pode decorrer do mascaramento da
significncia de alguns efeitos de tratamentos pela no significncia de outros. (Se, entretanto,
ao atribuir toda a variao entre os efeitos de tratamentos a um nico grau de liberdade, o limite
mnimo de significncia no for atingido, ento nenhum efeito de tratamentos ser
significativo.)
Em resumo, se os tratamentos so em nmero superior a dois, o teste de significncia
da variao atribuvel aos efeitos de tratamentos , em geral, insuficiente para responder a todas
as questes de interesse no experimento. Ser necessrio, portanto, complement-lo, recorrendo
a outros procedimentos e testes para a discriminao dos componentes significativos da
variao entre tratamentos cujo conhecimento seja de interesse. Por outro lado, em muitas
circunstncias, pelos objetivos e caractersticas do experimento, o teste de tal hiptese global
no de interesse ou no faz sentido e, portanto, no um passo necessrio.
Vrios so os procedimentos e testes disponveis, complementares ou alternativos
quele teste F global. A escolha depende do objetivo e do plano do experimento,
principalmente no que diz respeito estrutura e caracterizao dos tratamentos. Por essa
razo, ela deve ser especificada no prprio plano do experimento.
Recorde-se que, segundo o delineamento de tratamento, um experimento pode ser
unifatorial ou fatorial, fatores podem ser quantitativos ou qualitativos e estes, por sua vez,
estruturados ou no estruturados. Os procedimentos mais adequados para a discriminao da
variao entre tratamentos correspondentes s diversas situaes de delineamento de
tratamento so indicados a seguir.
Experimento unifatorial
- Fator qualitativo especfico estruturado. Os tratamentos classificam-se em grupos

determinados pelos objetivos do experimento, que consiste em comparaes de tais grupos de
2. Discriminao da Variao Atribuvel a Tratamentos 53
tratamentos, seguidas de comparaes dentro de grupos. Em muitas situaes, seguem-se

comparaes entres subgrupos de tratamentos e assim sucessivamente, de tal modo que os
tratamentos classificam-se em grupos, em subgrupos dentro desses grupos, etc., at grupos
constitudos de um nico tratamento. Nestas circunstncias, os grupos de tratamentos tm
estruturao hierrquica, que atribui s comparaes ou contrastes de interesse uma condio
especial de ortogonalidade ou independncia linear, que ser definida ulteriormente. Seja,
por exemplo, um experimento com o propsito de avaliar comparativamente os efeitos
nutricionais de duas fontes de nitrognio protico - torta de soja e torta de semente de algodo -
e duas fontes de nitrognio no protico - uria e amnia - sobre o ganho de peso de bovinos da
raa Hereford em um perodo de 60 dias. Os tratamentos so os seguintes: 1 - Torta de soja, 2 -
Torta de semente de algodo, 3 - Uria e 4 - Amnia. Segundo os objetivos do experimento, as
seguintes comparaes de tratamentos so de interesse:
- N protico versus N no protico: (1) e (2) versus (3) e (4),
- Entre fontes de N protico: (1) versus (2), e
- Entre fontes de N no protico: (3) versus (4).
A significncia de cada uma dessas comparaes de tratamentos pode ser testada pela
estatstica t, ou pela equivalente estatstica F. Se, como neste exemplo, as comparaes de
interesse no experimento so ortogonais ou independentes, o procedimento mais apropriado
uma anlise da variao mais drstica, pela decomposio da variao entre tratamentos em
componentes correspondentes a contrastes ortogonais.
Observe-se, entretanto, que a independncia das comparaes, embora desejvel e,
muitas vezes, consequncia natural do planejamento adequado do experimento, no uma
necessidade. Se certo conjunto de comparaes apropriadamente definido para a consecuo
dos objetivos do experimento, elas so as comparaes adequadas e que devem ser feitas,
independentemente de serem ortogonais ou no. O importante que tais comparaes sejam
parcimoniosas e traduzam logicamente os objetivos do experimento.
Em alguns experimentos, o fator tem uma estrutura simples em que um de seus nveis
serve de referncia para os demais que no guardam relao estrutural. O propsito detectar
tratamentos que so melhores que o tratamento referncia, testemunha, controle ou padro. Isso
ocorre, por exemplo, em estgios iniciais de uma pesquisa de melhoramento gentico quando
uma cultivar tomada como termo de comparao no processo de seleo de linhagens.
Semelhantemente, na seleo ("screening") de produtos farmacuticos que so melhores do que
um padro ou controle, para a comparao de produtos promissores em um estgio ulterior.
Nessas circunstncias, h interesse nas comparaes de cada um dos tratamentos com o
tratamento testemunha, controle ou padro, isto , no subconjunto de todas as comparaes
mltiplas que envolvem o tratamento testemunha. Observe-se que, se tambm h interesse nas
comparaes que no envolvem o tratamento controle, o fator deve ser mais apropriadamente
considerado como qualitativo especfico no estruturado.
- Fator qualitativo especfico no estruturado. Nesse caso, cada tratamento tambm
de interesse especfico e distingue-se qualitativamente dos demais. Entretanto, no h relao
estrutural entre os tratamentos. O experimento pode ter, por exemplo, um dos seguintes
objetivos: classificar os tratamentos em grupos quanto ordem das correspondentes mdias da
varivel resposta; determinar o melhor tratamento ou o conjunto dos melhores tratamentos; e
determinar o grupo dos tratamentos com comportamento inferior para descarte em um processo
de pesquisa. Por exemplo, em etapas iniciais de um programa de melhoramento gentico
vegetal, so conduzidos experimentos com um nmero muito elevado de linhagens com o

propsito de selecionar aquelas mais promissoras, pelo descarte de um nmero geralmente
grande de linhagens inferiores quanto a caractersticas relevantes. Em etapas mais avanadas,
so conduzidos experimentos comparativos com o propsito de determinar o grupo das
melhores cultivares para recomendao aos agricultores. Em todas essas situaes, o
procedimento adequado a comparao de cada tratamento com cada um dos demais, ou,
melhor dito, o conjunto das comparaes de tratamentos tomados dois a dois, tambm
denominadas comparaes mltiplas de tratamentos.
- Fator qualitativo ordenado. Os nveis guardam relao de ordem, mas no de
grandeza, ou guardam relao de grandeza, mas correspondem a valores classificados muito
vagamente, ou seja, constituem intervalos e no pontos de uma reta. Os procedimentos de
inferncia so os mesmos para fator qualitativo especfico e, menos comumente, fator
quantitativo. Mesmo nesse ltimo caso, inferncias devem restringir-se apenas aos nveis na
amostra.
- Fator quantitativo. Se os tratamentos so os nveis de um fator quantitativo, o
objetivo do experimento o estudo de propriedades da relao entre a varivel resposta de
interesse e a varivel explanatria correspondente ao fator. A tcnica mais apropriada para essa
circunstncia a anlise de regresso, com vistas ao ajustamento de curvas de resposta. Se
h conhecimento terico suficiente para especificar a forma algbrica (equao) da relao,
essa equao particular deve ser utilizada. Esse o caso, por exemplo, em estudos de adubao
e de desenvolvimento ponderal de animais em que so conhecidas relaes gerais expressas por
curvas exponenciais (logstica, Mitscherlich, Gompertz, etc.). Entretanto, na pesquisa agrcola,
em geral, as relaes so desconhecidas ou to complexas que se tem que recorrer a
aproximaes por meio de uma curva polinomial, da forma: y = b0 + b1x + b2x2 +...+ bkxk. Em
intervalos limitados da varivel explanatria, aproximaes polinomiais so usualmente
satisfatrias, se a resposta no tende a um patamar, em cujo caso uma curva assinttica mais
apropriada. Assim, o ajustamento de curvas de resposta polinomiais um procedimento
muito comum para fatores quantitativos.
- Fator misto. Se o fator tem estrutura mista, com subconjuntos de nveis que se
relacionam qualitativamente e cada um dos quais compreende nveis com relao qualitativa ou
quantitativa, ou um nvel isolado, o objetivo , em geral, a comparao desses subconjuntos de
nveis, seguida das comparaes dentro desses subconjuntos. O primeiro passo , ento, a
decomposio da variao entre tratamentos em componentes atribuveis a esses subconjuntos
ou grupos de tratamentos, seguida da discriminao da variao interna a cada um desses
grupos. A discriminao da variao dentro de cada um dos grupos feita segundo o
procedimento apropriado estrutura dos nveis do grupo, ou seja, segundo o procedimento para
fator qualitativo especfico estruturado, ou fator qualitativo especfico no estruturado, ou fator
quantitativo.
Experimento fatorial
O objetivo de um experimento fatorial , em geral, a derivao de inferncias

referentes aos efeitos separados de cada um dos fatores, denominados efeitos principais, e da
interao dos fatores, isto , da variao da resposta aos nveis de um fator quando se altera o
nvel do outro fator, ou, no caso de mais de dois fatores, quando se altera a combinao dos
nveis dos demais fatores. Caso a interao se revele significativa, os efeitos principais perdem
interesse e, ento, as inferncias devem direcionar-se para os efeitos simples dos fatores, ou
seja, os efeitos separados de cada um dos fatores para nveis especficos de outros fatores.
Os procedimentos adequados dependem das categorias dos fatores experimentais em
considerao (qualitativos, quantitativos, etc.) e da presena de interao. Se no h interao
entre os fatores, por conhecimento a priori ou indicao dos prprios resultados do
experimento, pode-se concluir separadamente para cada um dos fatores, pelo uso das tcnicas
unifatoriais apropriadas. No caso de presena de interao, o caminho pode no ser to simples,
dependendo do nmero de fatores, de sua importncia relativa e das categorias a que eles
correspondem.
De modo geral, o procedimento inicial apropriado na anlise estatstica de um
experimento fatorial a decomposio da variao entre tratamentos segundo o esquema
fatorial, ou seja, em componentes correspondentes aos efeitos principais e s interaes dos
fatores.
Em resumo, a exceo do caso de fator qualitativo no estruturado, o procedimento
mais indicado uma partio mais drstica da variao total, pela decomposio da variao
entre tratamentos, completamente em componentes atribuveis a graus de liberdade individuais,
ou parcialmente em componentes correspondentes a grupos de graus de liberdade; nesse ltimo
caso, usualmente seguida de outros procedimentos para a discriminao da variao entre
tratamentos. No caso de esquema fatorial, a decomposio usualmente ainda insuficiente e
demanda a aplicao de procedimentos adicionais correspondentes a experimento unifatorial.
Procedimentos para a anlise estatstica de experimentos fatoriais sero tratados adiante. No
momento, restringir-se- considerao a experimentos unifatoriais.
Observe-se que, sendo o delineamento de tratamento definido no plano de
experimento, os procedimentos adequados para a discriminao da variao entre tratamentos
tambm ficam automaticamente estabelecidos no plano do experimento. Por outro lado, a
validade dos procedimentos de decomposio da variao entre tratamentos supe que sua
aplicao no seja sugerida pela inspeo dos resultados do experimento. Ocorre, entretanto,
que a definio dos procedimentos de anlise dos resultados, muito comumente, no
explicitada no documento inicial do experimento. Consequentemente, procedimentos
inadequados so muitas vezes utilizados. Tambm deve ser salientado o frequente uso indevido
de procedimentos de comparaes mltiplas de tratamentos em situaes de fatores
quantitativos e qualitativos estruturados, e mesmo de esquemas fatoriais.
2.2 Contraste de Mdias de Tratamentos
2.2.1 Introduo
c m
t
A expresso C = c1m1+c2m2+...+ctmt = i i denominada uma combinao
i =1
linear das mdias esperadas de tratamentos m1,m2,...,mt. Uma combinao linear de mdias
esperadas de tratamentos uma comparao ou contraste se a soma dos coeficientes igual a
zero, isto , se c1+c2+... +ct = 0. Assim, por exemplo, para trs tratamentos, m1-(m2+m3) uma
combinao linear de mdias esperadas de tratamentos, mas no um contraste, pois a soma
dos seus coeficientes : 1-1-1 = -1 0. Essa combinao linear especifica a diferena entre a
mdia esperada do primeiro tratamento e a soma das mdias esperadas dos outros dois
tratamentos, o que no uma comparao razovel. Uma comparao razovel aquela da

mdia esperada do primeiro tratamento com a mdia das mdias esperadas dos restantes dois
tratamentos, isto , C1 = m1-(m2+m3)/2, que um contraste, j que a soma dos coeficientes ,
agora, igual a zero: 1-1/2-1/2 = 0. Para evitar coeficientes fracionrios, esse contraste
usualmente escrito na forma: C1 = 2m1-(m2+m3).
Outros exemplos de contrastes para trs tratamentos so os seguintes:
C2= m1-m2; C2 = m1-m3; C3 = m2-m3.
Exemplos ainda mais genricos so:
m1+m2 -(m3+m4); 3(m1+m2)-2(m3+m4+m5).
Dois contrastes C1 = c1i m i e C 2 = c 2i m i so ditos ortogonais, ou linearmente

t t
i =1 i =1
independentes, se a soma dos produtos dos correspondentes coeficientes dos dois contrastes
c
t
igual a zero, isto , se 1i c 2 i = 0 . Um conjunto de contrastes dito mutuamente ortogonal,
i =1
ou, simplesmente, ortogonal se todos os pares de contrastes do conjunto so ortogonais. Um

contraste C =c1m1+c2m2+...+ctmt pode ser identificado, mais abreviadamente, pelos seus
coeficientes, na forma: (c1,c2,...,ct). Assim, os contrastes C1 :(2,-1,-1) e C4 :(0,1,-1), utilizados
em exemplo anterior, so ortogonais, pois: 2x0+(-1)x1+(-1)x(-1) = 0, enquanto os contrastes C2
:(1,-1,0) e C3 :(1,0,-1) no so ortogonais, pois: 1x1+(-1)x0+0x(-1) = 1 0. Pode-se verificar
que o conjunto de contrastes C2, C3 e C4 no ortogonal.
Demonstra-se que, de modo geral, para t tratamentos pode ser especificado um
conjunto de no mximo t-1 contrastes ortogonais. Assim, para trs tratamentos, um conjunto de
dois contrastes ortogonais , conforme exemplificado anteriormente, C1: (2,-1,-1) e C4: (0,1,-1).
No h outro contraste ortogonal a esses dois.
H muitos conjuntos de t-1 contrastes ortogonais. De fato, h um nmero infinito de
conjuntos de t-1 contrastes ortogonais, dado que qualquer mltiplo de um contraste de mdias
, tambm, um contraste. Para t=3 tratamentos, por exemplo, outro conjunto de dois contrastes
ortogonais : (-1,0,1) e (1,-2,1). Naturalmente, de todos os possveis conjuntos de contrastes
ortogonais, usualmente apenas um corresponde mais apropriadamente aos objetivos de um
experimento em particular e, portanto, deve ser escolhido pelo pesquisador.
A ortogonalidade de contrastes uma propriedade muito importante, que deve ser
perseguida sempre que apropriado para os objetivos do experimento. Ela significa que as
informaes providas pelas comparaes no so redundantes, o que um critrio desejvel da
metodologia da pesquisa cientfica.
Exemplo 2.1. Considere um experimento para o estudo do efeito nutricional de fontes
de nitrognio protico e no protico em silagem sobre o ganho de peso de bovinos da raa
Hereford em um perodo de 60 dias. O experimento ser conduzido com um delineamento
simples, com igual nmero de repeties dos seguintes tratamentos: 1 - Torta de soja, 2 - Torta
de semente de algodo, 3 - Uria e 4 - Amnia. Um conjunto de contrastes ortogonais de
interesse e os correspondentes coeficientes so especificados na Tabela 2.1.
Tabela 2.1. Um conjunto ortogonal de contrastes dos

quatro tratamentos do Exemplo 2.1.
Tratamento
Contraste
1 2 3 4
N proteico versus N no proteico 1 1 -1 -1
Entre fontes de N proteico 1 -1 0 0
Entre fontes de N no proteico 0 0 1 -1
Exemplo 2.2. Um experimento tem como propsito a avaliao dos efeitos de

diferentes fontes de nitrognio para fertilizao do solo para o cultivo da beterraba. Os
tratamentos so cinco fontes de nitrognio e um controle: 1 - Controle, 2 - Ureia, 3 - Sulfato de
amnio, 4 - Nitrato de amnio, 5 - Nitrato de clcio e 6 - Nitrato de sdio. Um conjunto de
cinco contrastes ortogonais de interesse e os correspondentes coeficientes so apresentados na
Tabela 2.2.
Tabela 2.2. Conjunto de cinco contrastes ortogonais para os seis

tratamentos do Exemplo 2.2.
Tratamento
Contraste
1 2 3 4 5 6
Com N versus sem N -5 1 1 1 1 1
N orgnico versus N inorgnico 0 -4 1 1 1 1
N amnio versus N nitrato 0 0 -1 -1 1 1
Sulfato de amnio versus nitrato de amnio 0 0 -1 1 0 0
Nitrato de clcio versus nitrato de sdio 0 0 0 0 -1 1
Pode-se observar que as informaes providas por cada um dos conjuntos de

contrastes especificados na Tabela 2.1 e na Tabela 2.2 no so redundantes.
De modo geral, se os contrastes podem ser ordenados de modo que os dois grupos que
se comparam em cada um dos contrastes se aninham, hierarquicamente, em um dos dois grupos
que se comparam no contraste antecedente, eles constituem um conjunto de contrastes
ortogonais. Neste caso, a verificao da ortogonalidade de um conjunto de contrastes, ou o
estabelecimento de um conjunto de contrastes ortogonais, pode ser obtida, de modo prtico,
com o auxlio de um diagrama de rvore. Para ilustrao, considerem-se as situaes do
Exemplo 2.1 e do Exemplo 2.2:
Exemplo 2.1 (continuao).
Tratamentos
(1,2,3,4)
N proteico N no proteico
Versus
(1,2) (3,4)
Torta soja Torta sem. Ureia Amnia

Versus versus
(1) Algodo (2) (3) (4)
Figura 2.1. Diagrama de rvore que representa a estrutura hierrquica

das comparaes ortogonais do Exemplo 2.1.
Exemplo 2.2 (continuao).
Tratamentos
(1,2,3,4,5,6)
Sem N Com N
versus
(1) (2,3,4,5,6)
N orgnico N inorgnico
versus
(2) (3,4,5,6)
N amnio N nitrato
Versus
(3,4) (5,6)
Sulf.amn. Nitr.amn. Nitr.clc. Nitr.sdio

versus Versus
(3) (4) (5) (6)
Figura 2.2. Diagrama de rvore que representa a estrutura hierrquica das

comparaes ortogonais do Exemplo 2.2.
2.2.2 Estimativa de um contraste
O estimador de um contraste de mdias esperadas de tratamentos C =

c1m1+c2m2+...+ctmt o correspondente contraste de mdias observadas:
C = c1 y1 + c 2 y 2 + ... + c t y t .
2.2.3 Varincia de um contraste
Recorde-se que, se y1, y2,...,yt so n observaes independentes provenientes de uma

amostra aleatria de tamanho n de uma varivel aleatria de varincia populacional 2, ento, a
1
varincia da mdia y(n) = (y1 + y 2 +...+ y n ) :
n
2
Var(y(n) ) = .
n
Sejam y1 ,y 2 ,..., y t as mdias observadas independentes de t tratamentos, com mesma
varincia populacional 2, em que y i baseada em ri repeties, i=1,2,...,t. Demonstra-se que a
varincia do contraste C = c1 y1 + c 2 y 2 + ... + c t y t :
= c1 + c 2 + ... + c t 2 .
2 2 2
r1 r2 rt
Var(C)
Se as mdias so baseadas em um mesmo nmero r de repeties, a expresso da

varincia do contraste reduz-se a:
1
Var( C ) = ( c12 + c 22 + ... + c 2t ) 2 .
r
A estimativa da varincia do contraste tem a mesma expresso, com a varincia 2
substituda por uma sua estimativa s2.
2.2.4 Teste de significncia de um contraste
Nesta Seo considera-se o procedimento para teste de hiptese referente a um

contraste C = c1m1+c2m2+...+ctmt com hiptese de nulidade da forma:
H0: C = 0.
Segundo a forma da hiptese alternativa, a hiptese pode ser bilateral ou unilateral.
Hiptese bilateral e hiptese unilateral
Uma hiptese referente a um contraste C uma hiptese bilateral se no h razo

substantiva a priori para assegurar que, se o contraste for diferente de zero, ento ele deve ser
necessariamente positivo, ou necessariamente negativo. Isso significa que qualquer valor
admissvel para o contraste. Portanto, em uma hiptese bilateral a hiptese alternativa HA
estabelece que o contraste diferente de zero:
H0 : C = 0

H A : C 0
Assim, a hiptese de nulidade do contraste pode ser rejeitada independentemente do
sinal de sua estimativa.
Por exemplo, um contraste de duas cultivares em um experimento de comparao de
cultivares. Nessa situao, em geral, no h qualquer razo para assegurar a priori que, se as
mdias populacionais das cultivares diferirem, uma delas deve ser mais elevada do que a outra.
Portanto, qualquer das trs seguintes situaes ser admissvel para o contraste C = m1 m2 das
mdias populacionais m1 e m2 dessas cultivares: C = 0, C > 0 e C < 0. Nessas circunstncias, as
correspondentes hipteses de nulidade e alternativa devem ter as seguintes formas: H0: m1-
m2=0 e HA: m1-m20.
Por outro lado, uma hiptese referente a um contraste uma hiptese unilateral se h
razo substantiva a priori para assegurar que, se o contraste for diferente de zero, ento ele deve
ser ou positivo ou negativo. Isso significa que so admissveis para o contraste apenas valores
no negativos, ou apenas valores no positivos. Portanto, em uma hiptese unilateral a hiptese
alternativa HA estabelece que o contraste tem um nico sinal: ou positivo ou negativo. Assim,
uma hiptese unilateral tem uma das duas seguintes formas:
H0 : C = 0 H0 : C = 0
ou
H A : C > 0 H A : C < 0
Nessas condies, a hiptese de nulidade do contraste ser rejeitada apenas se o sinal
de sua estimativa coincidir com o sinal admissvel para o contraste populacional estabelecido
pela hiptese alternativa.
Naturalmente, a forma apropriada da hiptese alternativa em uma hiptese unilateral
pode variar segundo a especificao do contraste, j que um contraste no se altera se
multiplicado por uma constante, em particular se a multiplicado por 1.
Por exemplo, o contraste entre um inseticida e um tratamento controle (sem inseticida)
em um experimento de controle de uma praga, definido por C = mi-mc, onde mi e mc so as
mdias populacionais do inseticida e do controle. Se for assegurado a priori que o tratamento
inseticida no poder ter qualquer outro efeito a no ser possivelmente o controle da praga,
ento apenas as duas seguintes situaes sero admissveis C = 0, C > 0. Nessas circunstncias,
as correspondentes hipteses de nulidade e alternativa devem ter as seguintes formas: H0: m1-
m2=0 e HA: m1-m2>0. Naturalmente, a forma da hiptese alternativa dever ser
apropriadamente alterada para HA: m1-m2<0 se o contraste for definido como C = mc mi.
Procedimento para teste de significncia de um contraste
Um teste de significncia de um contraste C = c1m1+c2m2+...+ctmt com probabilidade

de erro tipo I (nvel de significncia) igual a , provido pela estatstica t:
c1 y1 + c 2 y2 +...+ c t yt
t= ,

Var(C)
que, sob a hiptese de nulidade H0: C = 0 tem a distribuio t de Student com graus de
liberdade correspondentes estimativa s2 da varincia 2.
Exemplo 2.3. Considere-se um experimento que estudou o controle de molstias do
trigo por meio do fungicida Vitavax aplicado na semente e, adicionalmente, em pulverizao
da lavoura, com os seguintes tratamentos: T1 - Testemunha (sem fungicida), T2 - Tratamento de
semente com Vitavax e T3 - Tratamento de semente e pulverizao da lavoura com Vitavax.
Segundo os objetivos do experimento, so de interesse as seguintes comparaes de
tratamentos:
- Efeito da aplicao do Vitavax: T1 versus (T2, T3 ),
- Efeito da aplicao adicional do Vitavax em pulverizao da lavoura: (T2) versus
(T3).
O experimento foi conduzido com o delineamento blocos casualizados, com oito
blocos. A produo de gros de trigo, em decagramas por parcela de 7 m2, dada na Tabela
2.3.
Tabela 2.3. Produo de gros de trigo, em dag/7m2, no

Tratamento
Bloco Soma
T1 T2 T3
1 66 62 86 214
2 64 78 69 211
3 69 66 87 222
4 55 75 84 214
5 48 55 66 169
6 38 58 45 141
7 46 54 41 141
8 45 56 46 147
Soma 431 504 524 1.459
Mdia 53,875 63,000 65,500
Os contrastes de interesse nesse experimento e correspondentes coeficientes so dados

na Tabela 2.4. A anlise da variao apresentada na Tabela 2.5.
Tabela 2.4. Contrastes de interesse no experimento do Exemplo

2.3.
Tratamento
Contraste
T1 T2 T3
C1 - Efeito do Vitavax -2 1 1
C2 - Efeito adic. do Vitavax em pulverizao 0 -1 1
Total do tratamento (yi) 53,87 63,00 65,50
Tabela 2.5. Anlise da variao dos dados do Exemplo

2.3.

Bloco 7 3.081,29
Tratamento 2 599,08 299,542 3,950 0,0436
Erro 14 1.061,58 75,827
Total 23 4.741,96
2
Mdia geral: 60,8 dag/7 m .
CV: 14,32 %.
Considere-se, por exemplo, o teste de significncia do contraste C1 = -2m1+m2+m3.

Observe-se que, sendo assegurado que o Vitavax no possa ter efeito prejudicial produo,
apenas valores no negativos so admissveis para esse contraste. Portanto, a hiptese
alternativa deve ser formulada na forma: HA: C1 > 0, de modo que a hiptese a ser testada
unilateral.
A estimativa desse contraste, fornecida pelo experimento, :
C1 = -2(53,87)+63,00+65,50 = 20,76;
a estimativa da correspondente varincia :
1
Var (C1 ) = [(-2)2+12+12] 75,827 = 56,87,
8
2
j que r=8 e s =75,827 (QM Erro). Logo:
20,76
t= = 2,753.
56,87
Ento, esse valor observado da estatstica t deve ser comparado com os pontos
percentuais da distribuio t para teste bilateral, disponveis na Tabela A2 do Apndice. Para
GL Erro=14 obtm-se dessa Tabela:
1,761, P = 0,05
t (14; P) =
2,624, P = 0,01
O valor observado t=2,753 superior a t(14; =0,05)=1,761; logo, a hiptese de nulidade
rejeitada. O valor de t observado tambm superior a t(14; 0,01)=2,624. Logo, conclui-se que
o contraste foi significativo (P<0,01).
Observe-se que a formulao da hiptese unilateral apropriada apenas se houver
garantia de impossibilidade de qualquer efeito prejudicial do Vitavax sobre a produo.
Para ressaltar as consequncias da formulao da hiptese como unilateral ou bilateral,
procede-se, a seguir, o teste bilateral. Para teste bilateral, os valores tabelados de t para GL
Erro=14, obtidos da mesma Tabela A2 do Apndice so:
2,145, P = 0,05
t (14; P) =
2,997, P = 0,01
Logo, o valor observado de t=2,753 superior ao valor tabelado para P=0,05, mas inferior ao
valor tabelado para P=0,01. Portanto, a hiptese de nulidade tambm rejeitada. Entretanto,
como agora o valor observado de t inferior ao valor da tabela para P=0,05 o grau de
confiabilidade da rejeio da hiptese de nulidade diminudo, e a concluso alterada para: o
contraste foi significativo (P<0,05).
Observe-se que, de modo geral, um teste unilateral rejeita a hiptese de nulidade mais
facilmente do que o correspondente teste bilateral. Isso explicado pela informao a priori
referente ao sinal do contraste (no negativo, no exemplo) utilizada na formulao da hiptese
univariada. A Figura 2.3 mostra a relao entre as regies de rejeies de teste t bilateral e de
teste t unilateral (com valores admissveis de t no negativos) no grfico da distribuio t. Essas
regies de rejeio so, respectivamente, |t| > t/2 e t > t.
Figura 2.3. Regies de rejeio da distribuio t para teste bilateral e teste

unilateral.
2.3 Fator Qualitativo Especfico Estruturado Decomposio em

Componentes Ortogonais
Frequentemente, o propsito do experimento prover comparaes entre grupos de

tratamentos, seguidas da discriminao da variao dentro desses grupos. Nessas
circunstncias, o teste de significncia da variao atribuvel aos efeitos dos t tratamentos, pela
estatstica F, no til, por no prover elucidao s questes de interesse no experimento. Se
essas questes no so redundantes, o procedimento apropriado uma extenso da anlise da
variao, pela subdiviso da soma de quadrados de tratamentos em componentes ortogonais,
determinados segundo as questes relevantes para os propsitos do experimento. Respostas a
essas questes podem ser providas por testes de significncias, por meio da estatstica F,
constituda pela razo entre o quadrado mdio de cada um desses componentes e o quadrado
mdio do correspondente erro.
Na situao de estrutura de comparaes hierrquica que culmina com comparaes
de tratamentos especficos, a soma de quadrados de tratamentos dividida em componentes
correspondentes a graus de liberdade individuais. Caso contrrio, a subdiviso incompleta,
compreendendo componentes com mais de um grau de liberdade. Os procedimentos para essas
duas situaes so descritos e ilustrados a seguir.
2.3.1 Decomposio em componentes simples
Quando desejado o teste de significncia para cada um de um conjunto de t-1

comparaes ortogonais, a decomposio da variao entre tratamentos em componentes
atribuveis s comparaes de interesse conduz a testes F equivalentes e computacionalmente
mais convenientes que os testes t individuais desses contrastes. Esse procedimento ser
considerado a seguir.
A soma de quadrados de um contraste de mdias: C = c1m1+c2m2+...+ctmt dada
pela expresso:
(c1 y1 + c 2 y2 +...+ c t yt ) 2
SQ C = .
c12 c 22 c 2t
+ + ... +
r1 r2 rt
Se os tratamentos tm o mesmo nmero de repeties r, a expresso da soma de quadrados do

contraste de mdias reduz-se a:
r(c1y1 + c 2 y2 +...+ c t yt )2
SQ C = .
c12 + c 22 +...+ c 2t
Na situao de igual nmero de repeties dos tratamentos, pode ser mais conveniente
a utilizao dos totais de tratamentos. A soma de quadrados de um contraste de totais de
tratamentos = c1y1 +c2y2 + ...+ctyt dada pela seguinte expresso:
(c1y1 + c2 y 2 +...+ c t y t )2
SQ C = ,
r (c12 + c 22 +...+ c 2t )
que equivalente expresso da correspondente soma de quadrados para mdias. (Observe-se

que, de modo geral, a soma de quadrados de um contraste no se altera se os coeficientes so
todos multiplicados por uma mesma constante.)
Demonstra-se que a soma de quadrados de um contraste corresponde a um grau de
liberdade e que a soma de quadrados de tratamentos, a que correspondem t-1 graus de
liberdade, pode ser decomposta em um conjunto de t-1 somas de quadrados relativas a t-1
contrastes ortogonais. Isso significa que a soma das somas de quadrados de t-1 contrastes
ortogonais corresponde SQ Tratamento, ou seja:
2 C
C 2 2
C
SQ Tratamento = 1
+ 2 + ... + t 1 ,
d1 d 2 d t 1
onde:
(
C 2k = c k1 y1 + c k 2 y2 + ...+ c k t y t e d k = c2k1 + c2k2 +...+ c2kt ) r
2 / d representa um grau de liberdade, k = 1, 2, ..., t-1. (Na situao de nmeros diferentes

e C k k
de repeties, essas expresses devem ser apropriadamente alteradas.)
Essa "decomposio ortogonal" da SQ Tratamento implica que as estatsticas que
testam as correspondentes hipteses de nulidade dos contrastes ortogonais tm distribuies
independentes, de modo que o nvel de significncia nominal global do conjunto dos testes de
hipteses de nulidade dos contrastes corresponde ao mesmo nvel de significncia nominal do
teste da hiptese de nulidade de cada contraste em particular.
Essa propriedade de mutua ortogonalidade de contrastes muito importante e
desejvel. Ela uma razo para que o pesquisador, sempre que possvel, planeje uma
decomposio ortogonal da variao entre tratamentos. Mas no absolutamente essencial. Se
diversos contrastes interessam ao pesquisador, a falta de ortogonalidade no deve impedi-lo de
executar os correspondentes testes de significncia, desde que os contrastes de interesse tenham
sido definidos no plano do experimento, de modo que no sejam sugeridos pelos dados. Caso
contrrio, outro procedimento - o teste de Scheff - pode ser utilizado.
Como cada soma de quadrados de contraste corresponde a um grau de liberdade, ela ,

tambm, um quadrado mdio. Demonstra-se que, sob a hiptese da nulidade de um contraste C,
a estatstica F = QM C/QM Erro tem distribuio F com 1 e graus de liberdade, onde o
nmero de graus de liberdade do erro. Assim, um teste de significncia do contraste C
efetuado comparando o valor de F observado no experimento com o valor crtico da
distribuio F para 1 e graus de liberdade.
Exemplo 2.3 (continuao). Para ilustrao, considere-se a decomposio da variao
entre tratamentos no Exemplo 2.3.
As somas de quadrados para os dois contrastes em considerao so determinadas
como segue:
C1 = -2(53,875)+63,000+65,500 = 20,75;
C1 = 0(53,875)-63,000+65,500 = 2,5;
[(2)x431+504+524]
2
= = = 574,08,
820, 762
8 (2) 2 +12 +12
SQ C1

6
[0x431+ (1)x504 +524]

2
= = = 25,00.
20 2
8 0 2 + ( 1) 2 +12
SQ C2

16
A decomposio da variao entre tratamentos pode ser completada na prpria tabela

da anlise da variao, Tabela 2.6.
Tabela 2.6. Anlise da variao dos dados do Exemplo

2.3.

Bloco 7 3.081,29
(Tratamento) (2) (599,08)
Efeito do Vitavax 1 574,08 574,083 7,5709 0,0156
Efeito adic. Vit. Cobert. 1 25,00 25,000 0,3297 0,5749
Erro 14 1.061,58 75,827
Total 23 4.741,96
Exemplo 2.4. Considere-se um experimento que estudou o efeito da fertilizao com

nitrognio de solo para cultivo de arroz irrigado que recebe adubao bsica de fsforo e
potssio. O experimento considerou duas fontes de nitrognio - Sulfato de amnio e Uria e
constou dos seguintes tratamentos:
1 - Testemunha,
2 - PK,
3 - PK + Sulfato de amnia - 30 kg N/ha,
4 - PK + Sulfato de amnia - 90 kg N/ha,
5 - PK + Ureia - 30 kg N/ha,
6 - PK + Ureia - 90 kg N/ha.
Segundo os objetivos do experimento, so de interesse os contrastes de tratamentos
especificados na Tabela 2.7.
Tabela 2.7. Contrastes de tratamentos de interesse no

Tratamento
Contraste
1 2 3 4 5 6
Efeito da adubao -5 1 1 1 1 1
Efeito adub. adicional com N 0 -4 1 1 1 1
Sulfato amnio versus Ureia 0 0 -1 -1 1 1
Doses de Sulfato de amnio 0 0 -1 1 0 0
Doses de Ureia 0 0 0 0 -1 1
Os dados de produo de gros, em decagramas por parcela de 9m2, so apresentados

na Tabela 2.8.
Tabela 2.8. Dados de produo de gros de arroz, em dag/9m2,

do experimento do Exemplo 2.4.
Bloco
Tratamento Soma
1 2 3 4
1 212 269 182 200 863
2 310 424 125 115 974
3 415 415 385 347 1.562
4 420 457 465 468 1.810
5 232 377 445 352 1.406
6 386 437 385 390 1.598
Soma 1.975 2.379 1.987 1.872 8.213
Os resultados da anlise da variao, com a decomposio da variao entre

tratamentos em componentes correspondentes aos contrastes ortogonais de interesse, so
apresentados na Tabela 2.9.
Tabela 2.9. Anlise da variao da produo de gros do experimento do Exemplo

2.4, com a decomposio da variao entre tratamentos nos contrastes
de interesse no experimento.

Bloco 3 24.913
(Tratamento) (5) (174.400)
Testem. v. PK 1 76.760 76.760 14,945 0,0015
Com v. sem N | PK 1 76.880 76.880 14,969 0,0015
Sulf.am. v. Ureia 1 8.464 8.464 1,648 0,2187
Sulf.am. 30 v. 90 1 7.688 7.688 1,497 0,2400
Ureia 30 v. 90 1 4.608 4.608 0,897 0,3586
Resduo 15 77.039 5.136
Total 23 276.352
2
Mdia geral: 342,2 dag/9m .
CV: 20,9%.
2.3.2 Decomposio incompleta
A subdiviso da soma de quadrados de tratamentos no necessita ser completa, no

sentido de que seja inteiramente composta de componentes simples, ou seja, cada componente
correspondente a um grau de liberdade. Esse o caso, se um ou mais dos grupos em que se
classificam os tratamentos compreende um subconjunto de tratamentos no estruturado. A
situao mais simples aquela em que um dos nveis de um fator qualitativo um controle ou
testemunha e os demais nveis no so estruturados, como ilustrado no Exemplo 2.5.
Exemplo 2.5. Os dados utilizados nesta ilustrao provm de um experimento
conduzido para comparao de herbicidas em canteiro de semeadura de cebola, com os
seguintes tratamentos:
1 Karmex 0,1g/m2,
2 Lorox 0,1 g/m2,
3 Afalon 0,1 g/m2,
4 Prometrine 0,1 g/m2,
5 Tok 1,0 g/m2,
6 Tenoran 0,6 g/m2,
7 Treflan 0,6 g/m2,
8 Controle (sem herbicida).
O propsito do tratamento controle o teste da eficcia da aplicao de herbicida.
A parcela compreendeu quatro linhas distanciadas de 0,1m; a densidade de semeadura
foi cinco gramas de semente por m2. Os herbicidas foram aplicados em ps-emergncia, 15
dias aps a semeadura. Os dados de peso das mudas, em decagramas/m2 esto na Tabela 2.10.
Tabela 2.10. Dados de peso das mudas de cebola por parcela de 1

m2, do experimento do Exemplo 2.5.
Bloco
Tratamento Soma
1 2 3 4
1 281 290 278 280 1.129
2 334 198 193 190 915
3 250 231 262 270 1.013
4 220 280 310 368 1.178
5 93 100 188 189 570
6 200 160 258 210 828
7 83 95 120 160 458
8 110 95 90 92 387
Soma 1.571 1.449 1.669 1.759 6.478
Os resultados da anlise da variao e do teste de significncia da variao atribuvel a

tratamentos esto na Tabela 2.11.
Tabela 2.11. Anlise da variao da produo de mudas e teste de significncia

da variao atribuvel a tratamentos, experimento do Exemplo 2.5.

Bloco 3 7.150,38
Tratamento 7 162.543,88 23.220,55 13,151 < 0,0001
Resduo 21 37.079,62 1.765,70
Total 31 206.773,88
Mdia geral: 202,4 dag/m2.
CV: 20,8%.
O propsito do tratamento controle o teste da eficcia da aplicao de herbicida, o

que pode ser logrado pelo contraste:
Herbicida versus controle: C = m1 + m2 + ... + m7 - 7m8.
A soma de quadrados deste contraste :
[1.129 + 915+...+ 458 7x387]2
SQ C = = 51.062,16.
4[12 +12 +...+12 + ( 7)2 ]
O restante da SQ Tratamento corresponde variao atribuvel aos sete herbicidas:

SQ Herbicida = SQ Tratamento SQC =
= 162.543,88 51.062,16 = 111.481,71.
Essa decomposio da variao atribuvel a tratamentos e os resultados dos testes de

significncias do contraste Herbicida versus Controle e da variao atribuvel aos herbicidas
so apresentados na Tabela 2.12.
Tabela 2.12. Decomposio da variao entre tratamentos nos componentes

atribuveis ao contraste Herbicida versus Controle e a
herbicidas, experimento do Exemplo 2.5.

(Tratamento) (7) (162.543,88)
Herb. versus Controle 1 51.062,16 51.062,16 28,919 < 0,0001
Herbicida 6 111.481,71 18.580,29 10,523 < 0,0001
Resduo 21 37.079,62 1.765,70
Como os sete herbicidas so nveis no estruturados, a discriminao da variao

atribuvel a herbicidas, com 6 graus de liberdade, efetuada pelo procedimento apropriado para
fator qualitativo especfico no estruturado, tpico da Seo 2.5.
De modo geral, se os t tratamentos so estruturados em g grupos, com tk tratamentos
no grupo k, tal que: t = t1+t2+...+tg, a SQ Tratamento pode ser decomposta em g componentes
ortogonais:
SQ Tratamento = Q1 + Q 2 + ... + Q g ,
onde Qk a soma de quadrados do k-simo grupo, com tk-1 graus de liberdade. Denotando os
totais dos tratamentos neste k-simo grupo por yk1, yk2, ..., y kt , respectivamente com rk1, rk2,
k
..., rkt repeties, esta soma de quadrados expressa por:
k
y 2k y 2k y 2k (yk + yk +...+ yk )2
+ + ... + rk +rk +...+rk
1 2 tk 1 2 tk
Qk = - .
rk rk rk 1 2 tk
1 2 tk
Esse procedimento pode ser adotado como alternativa para a determinao da soma de
quadrados de um contraste (caso particular de dois grupos de tratamentos). Considere-se, para
ilustrao, o exemplo anterior. Os totais das observaes para o controle e os sete herbicidas
so: 387 e 6.091, provenientes de 4 e 28 parcelas, respectivamente. Ento:
387 2 6.0912 6.4782
SQ C = + = 51.062,161.
4 28 32
2.4 Fator Quantitativo - Decomposio em Componentes Polinomiais
2.4.1 Introduo
Se os tratamentos so os nveis de um fator quantitativo, em geral, o pesquisador no

tem interesse nos tratamentos especficos includos no experimento. Eles so apenas pontos de
referncia, convenientemente escolhidos, para o estudo da relao entre a varivel resposta e o
fator; por exemplo, para a determinao do nvel timo do fator, isto , do nvel que maximiza
a resposta ou uma sua funo (renda lquida, por exemplo). Nesta situao, o procedimento
mais apropriado para a discriminao da variao entre tratamentos o ajustamento de uma
curva de resposta, por meio de anlise de regresso. Se existe suficiente conhecimento
terico para a especificao da forma matemtica apropriada da relao entre a varivel
resposta e o fator, usualmente no linear (por exemplo, logstica, de Mitscherlich, de
Gompertz), a equao da curva especfica deve ser ajustada aos dados. Na maioria dos
experimentos em agricultura, entretanto, a relao matemtica entre a varivel resposta y e a
varivel independente x demasiadamente complicada ou desconhecida. O procedimento usual
, ento, a aproximao da relao matemtica desconhecida por meio de um polinmio de
grau p:
y = b0 + b1x + b2x2 +...+bpxp.
Dentro de um intervalo limitado de valores da varivel independente, uma aproximao
polinomial muitas vezes satisfatria para relaes no lineares.
Recorde-se que por dois pontos em um sistema cartesiano bidimensional pode-se
traar uma reta, isto , uma curva polinomial de primeiro grau. De modo geral, por t pontos
pode-se traar exatamente uma curva polinomial de grau t-1. Assim, pelos t pontos ( x 1 , y1 ) ,
( x 2 , y 2 ) , ..., ( x t , y t ) , onde x1, x2,...,xp so os nveis do fator e y1 , y 2 , ..., y t so as
correspondentes mdias de tratamentos, pode-se traar exatamente uma curva polinomial de
grau t-1. Em geral, curvas polinomiais de grau inferior a t-1 no podem ser traadas exatamente
pelos t pontos. Entretanto, tais curvas podem ser traadas aproximadamente pelos t pontos,
segundo um critrio apropriado de proximidade.
Uma curva polinomial linear informa sobre a tendncia de crescimento (ou
decrescimento) da resposta mdia a taxas constantes; uma curva polinomial quadrtica informa
sobre a tendncia de variao da resposta a taxas decrescentes (ou crescentes), em que a
resposta cresce at um ponto de mximo e ento passa a decrescer (ou decresce at um ponto
de mnimo e ento passa a crescer); uma curva polinomial cbica informa sobre a tendncia de
variao em que a taxa de variao oscila, passando de decrescente a crescente (ou de crescente
a decrescente); curvas polinomiais de graus superiores ao terceiro informam sobre tendncias
mais complexas da resposta. Dessa forma, o ajustamento de uma curva polinomial permite a
caracterizao da tendncia da resposta mdia com a variao do nvel do fator em
considerao.
Na Figura 2.4, esto representadas as curvas polinomiais de graus mais baixos: (a)
linha reta - primeiro grau simples, (b) curva quadrtica - segundo grau simples, (c) curva
cbica - terceiro grau simples, (d) curva quadrtica - segundo grau, composta de primeiro e
segundo graus, (e) curva cbica - terceiro grau, composta de primeiro e terceiro graus, e (f)
curva cbica - terceiro grau, composta de primeiro, segundo e terceiro graus. Observe-se que o
grau de um polinmio a potncia mais elevada da varivel independente e atribudo pelo
seu componente de grau mais elevado.
Figura 2.4. Ilustrao de curvas polinomiais de graus baixos: (a) primeiro grau puro;
(b) segundo grau puro; (c) terceiro grau puro; (d) segundo grau, composto
de primeiro e segundo graus; (e) terceiro grau, composto de primeiro e
terceiro graus; (f) terceiro grau, composto de primeiro, segundo e terceiro
graus.
A Figura 2.4 (d) e (e) ilustram curvas polinomiais que podem aproximar relaes no
lineares: Figura 2.4 (d) composies de tendncias linear e quadrtica, que podem representar,
aproximadamente: 1-resposta decrescente ao incremento do nvel x do fator, 2-crescimento
exponencial, e 3-decrescimento exponencial com o tempo; Figura 2.4 (e) composies de
tendncias linear e cbica, que podem representar, aproximadamente: 1-curva logstica e 2-
resposta gentica retardada seleo.
O procedimento de decomposio em componentes polinomiais ortogonais uma
aplicao da tcnica de decomposio em contrastes ortogonais, com os coeficientes dos
contrastes apropriados definidos por polinmios. O grau do polinmio que melhor se ajusta aos
dados pode ser determinado pela decomposio da soma de quadrados de tratamentos, com t-1
graus de liberdade, em t-1 contrastes ortogonais, correspondentes s tendncias linear,
quadrtica, cbica, etc.
A determinao da curva polinomial que "melhor" se ajusta aos dados de um
experimento procedida pela anlise de regresso. O ajustamento de regresso polinomial
torna-se simples quando as diferenas entre os nveis consecutivos do fator so iguais e o
nmero de repeties o mesmo para todos os tratamentos. Para essa situao particular, os
coeficientes dos contrastes polinomiais ortogonais so disponveis em tabelas, como a Tabela
A7 do Apndice.
Considere-se um fator quantitativo expresso pela varivel x, com t nveis na amostra,
denotados por x1, x2, ..., xt. Suponha-se que os nveis sucessivos xi e xi+1, i=1,2,...,t-1, so
igualmente distantes de q unidades. Efetue-se a seguinte mudana de escala que transforma
essa varivel x em uma varivel X centrada na origem:
xx x + x +...+ x t
X= , onde: x = 1 2 .
q t
Ento, a equao polinomial de grau p:
y = b0 + b1x + b2x2 +...+ bpxp,
pode ser reescrita na forma:
y = B0 + B1P1 + B2P2 +...+ BpPp,
onde B0, B1, B2, ..., Bp so coeficientes apropriados e Pk (k=1,2,...,p) so funes polinomiais
de grau k do fator x, as trs primeiras, que exprimem as tendncias linear, quadrtica e cbica,
com as seguintes expresses:
P1 = L1X,

P2 = L 2 X 2 t 1 ,
2
12

P3 = L3 X 3 3t 7 X ,
2
20
Qualquer funo polinomial Pk de grau superior a 3 pode ser obtida pela seguinte frmula
recursiva, que permite determinar o polinmio de grau k+1 em funo dos polinmios de graus
1, k-1 e k:
k 2 (t 2 k 2 )
Pk+1 = P1Pk Pk1 .
4(4k 2 1)
Nessas expresses, Lk (k=1,2,...,p) so constantes (dependentes de t) que tornam os
coeficientes dos contrastes polinomiais os menores nmeros inteiros. Os coeficientes dos
contrastes correspondentes aos componentes polinomiais ortogonais e os correspondentes
valores das constantes Lk so apresentados na tabela de coeficientes para o ajustamento de
polinmios ortogonais (Tabela A7, em anexo).
Demonstra-se que essas funes polinomiais P1, P2, ..., Pp satisfazem seguinte
condio de ortogonalidade: os conjuntos de valores das funes Pk avaliadas nos t nveis de x,
sejam (Pk1, Pk2, ..., Pkt), k=1,2,...,p, so tais que a soma dos produtos dos correspondentes
valores para quaisquer dois polinmios distintos Pk e Pk', nula: Pk1Pk'1 + Pk2Pk'2 + ... + PktPk't =
0. Ademais, essas funes avaliadas nos nveis do fator na amostra, ou seja, x1, x2, ..., xt, so
coeficientes de contrastes ortogonais dos correspondentes valores da varivel resposta Y que
exprimem as tendncias polinomiais de graus crescentes com o ndice de P; ou seja: os
coeficientes de P1 correspondem a um contraste que exprime a tendncia linear; os coeficientes
de P2, P3, ... correspondem a contrastes que exprimem, respectivamente, as tendncias de
resposta quadrtica, cbica, etc. Por exemplo, no caso de trs nveis: x1, x2 e x3, tais que
x1<x2<x3, os valores das funes P1 e P2 avaliadas nesses nveis so, respectivamente: -1, 0 e 1,
e 1, -2 e 1. O contraste de mdias com o primeiro conjunto de coeficientes, ou seja: y1 + y 3 (ou
y3 y1 ) indica tendncia linear, ou seja, o crescimento ou decrescimento da resposta, com taxa
de variao constante, respectivamente nas situaes em que y1<y3 ou y1>y3. O contraste com o
segundo conjunto de coeficientes indica tendncia quadrtica, isto , taxa de variao da
resposta no constante, decrescente ou crescente, respectivamente nos casos y1 + y3 2y2 < 0 e
y1 + y3 2y2 > 0. (Figura 2.5).
Figura 2.5. Grficos de funes polinomiais que indicam tendncias

lineares de a) crescimento e b) decrescimento, e tendncias
quadrticas de c) taxa de variao decrescente e d) taxa de
variao crescente.
O procedimento para ajustamento de funo polinomial compreende duas etapas:

1) Determinao do grau da funo polinomial a ajustar e
2) Estimao da equao funo polinomial.
2.4.2 Determinao do grau da funo polinomial a ajustar
Em muitas aplicaes, o conhecimento disponvel prov alguma indicao sobre o

grau da funo polinomial a ajustar. Na ausncia desse conhecimento, a soluo usual a
adoo do grau indicado pelos dados, ou seja, a escolha da funo polinomial que melhor se
ajusta aos dados da amostra. O procedimento para esse propsito a decomposio da variao
atribuvel a tratamentos nos componentes atribuveis aos contrastes linear, quadrtico, cbico,
etc. e dos correspondentes testes de significncias Nesse caso, o grau do polinmio a ajustar
aquele que corresponde ao componente significativo de grau mais elevado.
Quando h alguma expectativa referente forma da funo de resposta, muito
frequentemente, pode ser estabelecido o grau mximo da funo polinomial apropriada para
aproximar essa funo de resposta. Nesse caso, o procedimento usualmente mais apropriado a
adoo do grau mais elevado que se revele significativo e que no exceda esse grau mximo.
Mesmo em situaes em que a forma da curva de resposta apropriada a ajustar seja
definida com base em conhecimento substantivo da rea de pesquisa, os testes de significncias
das tendncias polinomiais podem ser teis para verificar se os resultados do experimento esto
em concordncia com a expectativa.
Na situao particular em que os nveis consecutivos do fator so igualmente
espaados e as mdias so baseadas em um mesmo nmero de repeties, o procedimento
computacional simplifica-se pelo recurso de frmulas apropriadas e a disponibilidade dos
coeficientes dos contrastes em tabelas prprias, como a Tabela A7 do Apndice.
As somas de quadrados para os contrastes polinomiais ortogonais, cada uma com 1
grau de liberdade, so dadas pela seguinte expresso:
t
2
Pki yi
SQPk = i=1 t , k=1,2,...p.
r Pki
2
i=1
Observe-se que essas expresses so semelhantes quelas das correspondentes
estimativas dos coeficientes Bk, com a diferena que nessas expresses de somas de quadrados
os numeradores esto elevados ao quadrado.
Exemplo 2.6. Para ilustrao, considerem-se os resultados de um experimento que
estudou o efeito do espaamento de plantio de batatinha sobre a produo de tubrculos. O
experimento adotou o delineamento blocos casualizados, com seis repeties dos seguintes
quatro tratamentos - espaamento de plantio dentro de linha: 0,1; 0,2; 0,3 e 0,4 m (o
espaamento comum entre linhas foi 1 m).
O objetivo desse experimento foi a derivao de inferncias referente ao espaamento
dentro de linhas a que corresponde a produo mxima. O intervalo de nveis do fator
espaamento de plantio para a populao objetivo (e a amostra), ou seja, (0,1;e 0,4 m), foi
escolhido com a expectativa de que a produo mxima correspondesse a espaamento
compreendido entre 0,1 e 0,4 m. De modo geral, de esperar que a produo de tubrculos por
rea seja nula para espaamentos muito pequenos (prximos de zero) que inibam a produo;
passe a crescer, inicialmente com taxa de variao crescente, na medida em que o aumento do
espaamento reduza a competio das plantas de modo que a tendncia do aumento da
produo por planta supere a tendncia de diminuio da produo consequente da diminuio
do nmero de plantas por rea, e, ento, com taxa de variao decrescente, quando o aumento
da produo por planta se torne inferior tendncia da diminuio da produo decorrente da
diminuio do nmero de plantas por rea. A produo mxima por rea deve corresponder ao
espaamento em que as plantas atinjam o potencial mximo de produo de modo que qualquer
aumento de espaamento implique em reduo do nmero de plantas por rea no compensado
por aumento de produo por planta. Assim, em um intervalo de espaamento entre plantas
suficientemente amplo, esperado que a relao entre a produo e o espaamento possa ser
aproximada por uma funo polinomial linear-quadrtica-cbica (Figura 2.6). Em um intervalo
de menor amplitude a funo a funo de resposta poder linear-quadrtica ou apenas linear.
Figura 2.6. Aproximao da relao esperada entre produo de

tubrculos e espaamento dentro de linha por uma funo
polinomial linear-quadrtica-cbica, Exemplo 2.6.
Os resultados observados da varivel resposta produo de tubrculos, em t/ha, so

Tabela 2.13. Dados de produo de tubrculos de batatinha, em t/ha, do

Bloco
Espaamento Soma Mdia
1 2 3 4 5 6
0,10m x 1m 9,8 13,9 15,1 16,0 17,5 18,5 90,8 15,13
0,20m x 1m 15,8 15,1 15,6 18,4 17,7 19,9 102,5 17,08
0,30m x 1m 14,8 16,8 18,6 17,6 21,6 22,9 112,3 18,72
0,40m x 1m 15,5 18,3 17,8 18,1 18,8 20,7 109,2 18,20
Soma 55,9 64,1 67,1 70,1 75,6 82,0 414,8
Os resultados da anlise da variao e do teste de significncia da variao global

atribuvel aos efeitos de espaamentos esto na Tabela 2.14.
Tabela 2.14. Resultados da anlise da variao dos dados de produo

de tubrculos de batatinha do experimento do Exemplo
2.6.

Bloco 5 103,223
Espaamento 3 45,343 15,114 10,110 0,0007
Erro 15 22,427 1,495
Total 23 170,993
Mdia geral: 17,28 t/ha.
C.V.: 7,07%.
A verificao da adequao da funo de resposta linear-quadrtica-cbica para

exprimir a relao entre peso da produo de tubrculos e espaamento dentro de linha pode ser
procedida pela decomposio da SQ Tratamento em componentes polinomiais ortogonais,
utilizando coeficientes providos pela Tabela A7. Os clculos so auxiliados com a construo
da Tabela 2.15.
Tabela 2.15. Coeficientes dos componentes polinomiais e dados para o

ajustamento de funo de resposta polinomial cbica.
Componente
Espaamento
Pki k
C Lk
0,1 0,2 0,3 0,4 i
Linear -3 -1 1 3 20 65,0 2
Quadrtico 1 -1 -1 1 4 -14,8 1
Cbico -1 3 -3 1 20 -11,0 10/3
Total: yi 90,8 102,5 112,3 109,2
As estimativas dos contrastes correspondentes aos componentes linear, quadrtico e

cbico so:
1 = (-3)90,8 + (-1)102,5 + 1112,3 + 3(109, 2) = 65, 0 ,
C
2 = 190,8 + (-1)102,5 + (-1)112,3 + 1109, 2 = -14,8 = -14,8 e
C
3 = (-1)90,8 + 3102,5 + (-3)112,3 + 1109, 2 = -11, 0 .
C
Ento, utilizando a expresso da soma de quadrados para um contraste de totais de tratamentos:
(c1y1 + c2 y 2 +...+ ct y t )2
SQ C = ,
r (c12 + c22 +...+ c 2t )
obtm-se:
65, 02
SQ C1 = = 35, 208 ,
620
(-14,8)2
SQ C2 = = 9,127 e
64
(-11, 0)2
SQ C3 = = 1, 008 .
620
A anlise da variao com a decomposio da SQ Tratamento nos componentes polinomiais
ortogonais apresentada na Tabela 2.16.
Tabela 2.16. Resultados da anlise da variao para o experimento do Exemplo

2.6, com a decomposio da variao entre tratamentos em
componentes polinomiais ortogonais.

Bloco 5 103,223
Espaamento (3) (147,168)
Linear 1 35,208 35,208 23,5488 0,0002
Quadrtico 1 9,127 9,127 6,1046 0,0260
Cbico 1 1,008 1,008 0,6742 0,4244
Erro 15 22,427 1,495
Total 23 170,993
Observa-se que os componentes linear e quadrtico foram significativos (P=0,0002 e

P=0,0260, respectivamente) e o componente cbico no foi significativo (=0,05). Esses
resultados indicam a adequabilidade de um modelo polinomial linear-quadrtico, indicada pelo
conhecimento do fenmeno biolgico. O ajustamento da equao desse modelo efetuado a
seguir.
2.4.3 Ajustamento de funo polinomial
Tratar-se- da situao particular de fator com nveis consecutivos igualmente

espaados e correspondentes mdias baseadas em um mesmo nmero de repeties. Nessas
circunstncias, o procedimento computacional simplifica-se pelo recurso de frmulas
apropriadas e disponibilidade dos coeficientes dos contrastes em tabelas prprias (Tabela A7
do Apndice).
Postula-se que a resposta mdia esperada E(y) para o nvel x do fator em estudo
expressa por:
E(y) = b0 + b1x + b2x2 +...+ bpxp, pt,
onde a varivel x representa o fator quantitativo cujos nveis no experimento so: x1, x2,...,xp, e
b0, b1, b2,...,bp so constantes desconhecidas (parmetros).
Ento, esta equao pode ser reescrita na forma:
E(y) = B0 + B1P1 + B2P2 + ... + BpPp,

onde B0, B1, B2, ..., Bp so constantes desconhecidas (parmetros) e Pk (k=1,2,...,p) so funes
polinomiais de grau k do fator x, cujas expresses foram apresentadas anteriormente.
O ajustamento dessa curva polinomial pode ser procedido com base nos dados de um
experimento. A curva polinomial ajustada dada pela expresso:
y = B
+B
0
P +B
1 1
P + ... + B
2 2
P ,
p p
onde:
y1 + y 2 +...+ y t
B0 = y =
t
e
Pki yi
t
Bk = i=1
, k=1,2,...p,
Pki
t
2
r
i=1
yi o total do i-simo tratamento (i=1,2,...,t) e r o nmero comum de repeties dos

tratamentos.
O estimador da equao polinomial quadrtica tem a seguinte expresso:
y = B0 + B1P1 + B2 P2 .
Tem-se:
414, 8
B0 = y = = 17, 283 ,
24
65, 0
B1 = = 0,54167 ,
120
14, 8
B2 = = 0, 61667 ,
24
onde os numeradores de B1 e B 2 so obtidos das expresses da SQ P1 (componente linear) e

da SQ P2 (componente quadrtico), respectivamente.
P1 = 2X,

P2 = 1 X 2 4 1 = X 2 .
2 5
12 4
Logo
5
y = 17,283 + 0,54167 (2X) + (-0,61667) X 2
4
= 18,0541 + 1,08334 X 0,61667 X2.

Mas, dado que x = (0,10+0,20+0,30+0,40)/4 = 0,25 e q = 0,10, tem-se: X = (x-0,25)/0,10.
Substituindo na ltima expresso, obtm-se:
x 0, 25
2
- 0,61667 ;
x 0, 25
0,10
y = 18,0541 +1,08334
0,10
donde resulta:
y = 11,49 + 41,667 x 61,667 x2.
Essa equao exprime a produo mdia de tubrculos ( y ) em funo do espaamento
de plantio da batatinha (x). Por meio dessa equao, pode-se estimar a produo mdia de
tubrculos para um dado espaamento, substituindo x pela correspondente medida de
espaamento. Por exemplo, para o espaamento de 0,10 m, tem-se:
y x =0,10 = 11,49 + 41,667(0,10) - 61,667 (0,10)2 = 15,04.
Determinando a produo de tubrculos estimada para cada um dos quatro

espaamentos utilizados no experimento, obtm-se os resultados da Tabela 2.17 que tambm
apresenta as correspondentes produes de tubrculo observadas.
Tabela 2.17. Produes mdias observadas e estimadas para

os quatro espaamentos de plantio do
Produo de tubrculos
Espaamento (t/ha)
na linha (m)
Observada Estimada
0,10 15,13 15,04
0,20 17,08 17,36
0,30 18,72 18,44
0,40 18,20 18,29
As pequenas diferenas entre as mdias observadas e as correspondentes mdias

ajustadas revelam que a curva polinomial quadrtica ajusta-se bastante bem aos dados. Isso
tambm salientado pela Figura 2.7, que superpe a representao grfica da curva ajustada e
o diagrama de disperso das mdias observadas.
Figura 2.7. Curva quadrtica ajustada para exprimir a relao

entre a produo de tubrculos e o espaamento
de plantio de batatinha dentro de linha,
Exemplo 2.6.
As mdias observadas e ajustadas, assim como a representao grfica da Figura 2.7,

mostram a que, no intervalo de espaamento em considerao, a resposta passa de crescente a
decrescente e a produo de tubrculos atinge um mximo, o que revelado pelo coeficiente
negativo do termo quadrtico da equao ajustada (- 61,667). Propriedades dessa relao entre
produo de tubrculos e espaamento de plantio podem ser estudadas analiticamente por meio
da equao ajustada. Saliente-se, entretanto, que a qualidade do ajuste vale apenas para o
intervalo compreendido entre o menor e o maior espaamento utilizados no experimento, o que
restringe a utilidade da equao ajustada apenas para esse intervalo. Assim, por exemplo, a
equao pode ser utilizada para a determinao do espaamento timo, isto , do espaamento
a que corresponde a produo estimada mxima, j que o mximo da curva estimada est
compreendido nesse intervalo.
O espaamento a que corresponde a estimativa da produo de tubrculos mxima
determinado como segue. O ponto de extremo de uma funo quadrtica y = a + bx + cx2 :
x* =
b
.
2c
Assim, no presente exemplo:
x* = = 0, 34 ,
41, 667
2(61, 667)
que, segundo as consideraes anteriores, o ponto de mximo da curva de produo no

intervalo (0,10m; 0,40m). A correspondente produo de tubrculos mxima :
y x =0,10 = 11,49 + 41,667(0,34) - 61,667 (0,34)2 = 18,53 t/ha.
Exerccios 2.1
1. Indique o procedimento para a discriminao da variao entre tratamentos em cada uma
das seguintes situaes:
a) Os tratamentos so as combinaes dos nveis de dois ou mais fatores.
b) Os tratamentos constituem grupos naturais cujas comparaes de interesse so

contrastes ortogonais.
c) Os tratamentos so nveis de um fator quantitativo - doses de um fertilizante, por
exemplo.
d) Os tratamentos so um conjunto de cultivares que se tem interesse em comparar em um
experimento de melhoramento gentico.
e) O experimento tem como propsito testar a eficincia de diversos fungicidas no
controle de uma doena.
f) Os resultados sugerem uma comparao entre dois grupos de tratamentos.
2. Considere as seguintes combinaes lineares:
C1 = 3x4-2x3+x2-2x1,
C2 = x4+x3-x2-x1,
C3 = 6x4+3x3-10x2+x1,
C4 = 4x4-2x3+x2- x1.
a) Quais dessas combinaes lineares constituem contrastes? Justifique a resposta.
b) Quais pares dessas combinaes lineares constituem contrastes ortogonais? Justifique a
resposta.
3. Indique a(s) tcnica(s) apropriada(s) para a discriminao da variao entre tratamentos
para cada um dos experimentos cujos objetivos e especificaes fundamentais so dados a
seguir. Para cada um dos experimentos, justifique a indicao e, caso mais de uma tcnica
seja indicada, compare-as.
a) Objetivo: Caracterizar o efeito da exposio radiao ultravioleta sobre o tempo de
desenvolvimento de um tumor da orelha de ratos machos. Tratamentos: Quatro nveis de
radiao ultravioleta, nas intensidades de 1,6, 2,4, 3,2 e 4,0 (x 104 ergs/cm2/s), em cinco
dias por semana.
b) Objetivo: Determinar a eficcia de fungicidas no tratamento de semente de cenoura.
Tratamentos: 1 - Dithane, 2 - Thylate, 3 Phygon, 4 - Controle (sem fungicida).
c) Objetivo: Determinar o efeito da administrao de um aditivo de 0,5 mg/dia de acetato
de melengestrol para a sincronizao do estro de vacas sobre a produo de leite nos
primeiros 60 dias da lactao. Tratamentos: 1 - sem aditivo, 2 - aditivo administrado nos
ltimos 40 dias do perodo de lactao, 3 - aditivo suprido nos ltimos 18 dias da
lactao.
d) Objetivo: Comparar os efeitos txicos de drogas cardioativas em gatos eterizados.
Tratamentos: 1 - convalatoxina, 2 ouabain, 3 - uscharin, 4 - alfa-antiarina e 5 - beta-
antiarina. Comparaes de interesse: i) convalatoxina versus ouabain e uscharin; ii) alfa
versus beta-antiarina; e iii) uscharin versus antiarinas.
e) Objetivo: Determinar o nvel mximo de uria que pode ser adicionado silagem de
milho sem ocasionar a depresso da produo de leite de vacas leiteiras.
f) Objetivo: Verificar o efeito do hormnio estradiol sobre o ganho de peso de perus
machos. Tratamentos: 1 - 0,20 mg, 2 - 0,40 mg, 3 - 0,60 mg e 4 - sem hormnio.
g) Objetivo: Determinar o efeito da silagem sobre a produo de leite de vacas holandesas.

Tratamentos: 1 - Controle, 2 - Ureia, 3 - Ureia + minerais, 4 - amnia, 5 - amnia +
minerais, 6 - amnia + minerais + melao.
h) Objetivo: Verificar o efeito da adubao foliar sobre a produo de uva da cultivar
Itlia. Tratamentos - poca de adubao foliar: 1 - Florescimento, 2 - 30 dias aps o
florescimento, 3 - 60 dias aps o florescimento.
i) Objetivo: Verificar o efeito da utilizao de bioestimulantes sobre a produo de arroz
irrigado. Tratamentos: 1 - Agrostemin (100 g/ha) aplicado na semente; 2 - Ergostin (500
cc/ha) aplicado na semente; 3 - Agrostemin (100 g/ha) aplicado 45 dias aps a
emergncia; 4 - Ergostin (500 cc/ha) aplicado 45 dias aps a emergncia; 5 -
Agrostemin (200 g/ha) aplicado 45 dias aps a emergncia; 6 - Ergostin (1.000 cc/ha)
aplicado 45 dias aps a emergncia; 7 - Controle (sem bioestimulante).
4. Para os experimentos considerados na questo anterior que tm como propsito efetuar um
conjunto de comparaes (ortogonais ou no), especifique as comparaes e os coeficientes
correspondentes.
5. Os dados que seguem referem-se ao estande obtido em um experimento de tratamento de
semente de milho com diversos fungicidas para o controle de Diplodia sp., com estande
inicial de 25 plantas por parcela:
Tratamento
Bloco
A B C D E F G H
1 8 16 14 10 8 8 7 12
2 8 19 16 11 7 8 6 9
3 9 24 14 12 1 3 6 9
4 7 22 13 8 1 3 6 11
5 7 19 14 7 3 3 4 9
6 5 19 13 3 2 7 4 5
A - testemunha (no tratado);

BeC - fungicidas mercuriais;
DeH - fungicidas no mercuriais do fabricante 1;
- fungicidas no mercuriais do fabricante 2, sendo F e G
E, F e G
novas formulaes de E.
a) Execute a anlise da variao e efetue o teste de significncia da variao atribuvel a

b) Explique os significados e construa os coeficientes dos seguintes contrastes: A versus
demais; B e C versus D, E, F, G e H; B versus C; D e H versus E, F e G; D versus H; E
versus F e G; e F versus G.
c) Verifique que esses contrastes so ortogonais.
d) Efetue a decomposio da variao entre tratamentos nos componentes correspondentes

aos contrastes especificados no item b.
e) Verifique que a soma das somas dos quadrados correspondentes aos sete contrastes
igual soma de quadrados de tratamentos.
f) Redija as concluses da anlise estatstica.
6. Um experimento foi conduzido em ambiente controlado com o propsito de estudar os
efeitos do tempo de exposio luz do dia e do nvel de temperatura noturna sobre o
crescimento de plantas de hortel, com os seguintes tratamentos: B8, B12, B16, A8, A12,
A16, onde as letras A e B indicam os nveis alto e baixo de temperatura noturna,
respectivamente, e 8, 12, 16 o tempo de exposio luz do dia, em horas. Foi adotado o
delineamento completamente casualizado, com 12 repeties de cada tratamento.
Especifique os coeficientes correspondentes s seguintes comparaes de interesse no
experimento:
C1: Temperatura noturna alta versus baixa;
C2: Exposio luz do dia por 8 horas versus 16 horas;
C3: (Exposio por 8h e 16 h) versus Exposio por 12h;
C4: (Exposio por 8h e 16h em temperatura alta) versus (Exposio por 8h e 16h
em temperatura baixa);
C5: (8h e 16h versus 12h em temperatura alta) versus (8h e 16h versus 12h em
temperatura baixa).
a) Esses cinco contrastes so ortogonais? Justifique a resposta.
Suponha que o experimento foi conduzido e os valores de estatsticas determinadas a partir
de seus resultados so dados a seguir:
Tratamento: B8 B12 B16 A8 A12 A16

Total: 44,0 49,5 62,5 88,0 77,5 95,0
QM Erro = 2,15, com 66 graus de liberdade.
b) Efetue a anlise da variao para testar a hiptese de nulidade dos efeitos de

tratamentos.
c) Efetue os testes de significncia dos contrastes especificados no item a), pela estatstica
F.
d) Estabelea um conjunto de contrastes ortogonais que poderia ser de interesse no
experimento.
7. Um experimento foi conduzido com o propsito de estudar a substituio do leite em
raes para terneiros. Leite natural (controle) e quatro raes, todos com 21% de protena,
foram administrados a terneiros machos recm-nascidos, durante doze semanas: 1 - Leite
natural; 2 - LDS; 3 - LDS + CPP; 4 - LDS + CPP + CPS; 5 - LDS + CPS (LDS: leite
desnatado seco, CPP: concentrado de protena de peixe, CPS: concentrado de protena de
soja). Cada tratamento foi administrado a um conjunto de seis terneiros. Para controle da
heterogeneidade do material experimental que poderia originar da ordem de nascimento dos
animais, repeties completas dos cinco tratamentos foram atribudos a grupos de cinco
animais com nascimentos prximos, ficando entre os grupos de cinco animais (blocos) as
diferenas maiores atribuveis a datas de nascimento. Ao final das doze semanas, os ganhos
totais de peso dos terneiros (em kg/6 animais) para os cinco tratamentos e a estimativa da
varincia casual (QM Erro) foram os seguintes:
Tratamento: 1 2 3 4 5
Ganho de peso: 405,8 359,5 365,0 313,3 346,6
s2 = 19,865, com 20 graus de liberdade.
a) Especifique os coeficientes do seguinte conjunto de contrastes:

- Efeito da substituio do leite natural,
- efeito da adio de concentrado de protena ao leite desnatado seco,
- concentrado de protena animal versus concentrado de protena vegetal,
- concentrado de protena animal ou vegetal isolado versus concentrados
combinados,
b) Esses contrastes constituem um conjunto de contrastes ortogonal? Justifique a resposta.
c) Efetue os testes de significncia dos contrastes especificados no item a), pela estatstica
F (anlise de variao).
8. Os dados que seguem provm da anlise estatstica da perda de peso de frutos de um
experimento que teve como objetivo o estudo do efeito do retardamento do metabolismo da
fruta, ps-colheita, sobre a qualidade do pssego da cultivar Aldrighi. O retardamento do
metabolismo foi provocado pelo tratamento dos frutos com uma soluo de cera
("Semperfresh"), que possibilita o prolongamento da conservao do fruto "in natura". O
experimento constou de cinco repeties dos seguintes tratamentos: 1 - 0%, 2 - 0,4%, 3 -
0,8% e 4 - 1,2% de concentrao da cera.
Anlise da variao:
Tratamento
Erro 16 342,24
Total
Totais de tratamentos:
Tratamento: 1 2 3 4
Total: 14 82 168 178
a) Complete a tabela da anlise da variao e efetue o teste de significncia da variao

atribuvel a efeitos de tratamentos.
b) Efetue a decomposio da variao entre tratamentos em componentes polinomiais
ortogonais e efetue os correspondentes testes de significncia.
c) Com base exclusiva nos testes de significncia efetuados no item anterior, qual o grau
da curva polinomial que "melhor" se ajusta aos dados do experimento?
d) Determine a equao da curva polinomial para exprimir a relao entre perda de peso do
fruto e percentagem de concentrao da cera no tratamento do fruto, de acordo com sua
escolha no item anterior.
9. Considere os dados abaixo relativos soma da produo de feijo-vagem (Y) em cada uma
de seis pocas diferentes de colheita referidas a uma data base (X - nmero de dias a partir
da data base), obtidos em um experimento com delineamento completamente casualizado,
com quatro repeties:
xi yi. c1i c2i

0 27 -5 5
4 39 -3 -1
8 46 -1 -4
12 47 1 -4
16 44 3 -1
20 24 5 5
K: 70 84
227
L: 2 3/2
c
i
1i y i. = 1 , c
i
2i y i. = 200 , ( y
i j
ij y .. ) 2 =560.
a) Efetue a anlise da variao para a execuo dos testes de significncia referentes aos
efeitos linear e quadrtico de poca de colheita e ao desvio da regresso quadrtica.
b) Determine as equaes das curvas polinomiais linear e quadrtica ajustadas.
c) Calcule os coeficientes de determinao correspondentes aos ajustamentos das curvas
linear e quadrtica e explique os seus significados.
d) Determine o coeficiente de correlao linear entre Y e X e, com base nele, explique a
frase: "Um pequeno coeficiente de correlao entre duas variveis no significa,
necessariamente, ausncia de relao entre elas".
e) Com base nos resultados obtidos, que equao voc escolheria (linear ou quadrtica)
para exprimir a relao entre produo de feijo-vagem e poca de colheita? Justifique a
resposta, mencionando em que consideraes a escolha foi baseada.
10. Um experimento foi conduzido para estudar a relao entre a quantidade de resduo do
herbicida Trifluralin nas folhas de uma planta relativamente resistente a esse herbicida e a
quantidade aplicada do herbicida. O experimento foi conduzido em delineamento blocos
casualizados com quatro repeties dos seguintes tratamentos constitudos por doses de
Trifluralin: 1 - 1/4, 2 - 1/2, 3 - 1, 4 - 2 e 5 - 4 kg/ha. Foi avaliada a quantidade de resduo do
herbicida em cada uma de quatro folhas escolhidas aleatoriamente de cada parcela.
Suponha que os dados a analisar so as mdias das quatro folhas de cada parcela e que o
pesquisador deseja verificar a adequabilidade de uma curva polinomial quadrtica para
representar a relao em questo.
a) Especifique o esquema da anlise da variao (fontes de variao e graus de liberdade)

para o experimento, incluindo a decomposio apropriada para os testes de significncia
referentes adequabilidade da representao da relao entre quantidade de resduo e
quantidade aplicada do herbicida por uma curva polinomial quadrtica.
b) Suponha que ocorreu um granizo severo sobre a rea experimental, ocasionando danos
s folhas manifestados por buracos. O dano teve como efeito global a reduo da
quantidade de resduo por folha, decorrente da diminuio da rea foliar disponvel para
o acmulo de resduo. Explique como a informao referente ao dano causado pelo
granizo poderia ser levada em conta na anlise dos dados referentes a resduo do
herbicida.
2.5 Fator Qualitativo Especfico No Estruturado - Comparaes

Mltiplas de Tratamentos
2.5.1 Introduo
No caso de fator qualitativo especfico no estruturado, cada tratamento de interesse

especfico. O propsito do experimento , ento, a classificao dos tratamentos, com vistas
caracterizao de grupos de interesse; em algumas situaes o grupo dos melhores tratamentos.
A classificao dos tratamentos obtida pela comparao de cada um dos tratamentos com
cada um dos demais, isto , por um procedimento de comparaes mltiplas de
tratamentos.
Observe-se que a hiptese geral de nulidade dos efeitos de tratamentos e a
correspondente alternativa, testadas na anlise da variao, podem ser expressas na forma:
H 0 : m i =m i ' para todoo par de tratamento

H A : m i m i ' para pelomenosum par de tratamento
Portanto, a rejeio da hiptese de nulidade implica que pelo menos dois tratamentos diferem
entre si. Resta determinar para quais dos t(t-1)/2 pares de tratamentos a hiptese de nulidade
rejeitada. Muitos procedimentos tm sido propostos para tal propsito. Eles diferem quanto s
pressuposies em que se baseiam e pelas suas propriedades. Consequentemente, podem
conduzir a distintas classificaes dos tratamentos em um mesmo experimento. O problema
que se levanta, ento, qual desses procedimentos utilizar em uma situao particular. A
escolha, como ocorre com qualquer outro procedimento de anlise estatstica, depende dos
objetivos do experimento e das pressuposies que o pesquisador est disposto a adotar.
Portanto, para a escolha do procedimento adequado, fundamental o conhecimento das
caractersticas e das pressuposies dos diversos procedimentos.
Basicamente, a escolha de um procedimento de comparaes mltiplas de tratamentos
definida pelas importncias relativas dos dois principais tipos de risco que se incorre em um
processo de deciso entre as duas alternativas de um teste de hiptese:
Erro tipo I: Rejeio da hiptese H0 quando ela verdadeira, e
Erro tipo II: Aceitao da hiptese H0 quando ela falsa.
Dada a impossibilidade de fixar as probabilidades desses dois tipos de erros ambas em

valores convenientemente pequenos, em um teste de significncia, a probabilidade do erro tipo
I fixada em um valor pequeno (muito frequentemente, =0,05), deixando livre a
probabilidade do erro tipo II. A probabilidade do erro tipo I, ou seja, nvel de significncia do
teste, tambm denominada taxa de erro tipo I, pode ser definida tendo como unidade bsica a
comparao ou o experimento, de uma das seguintes formas:
Taxa de erro tipo I por comparao = Nmero de comparaes
incorretamente declaradas significativas / Nmero total de comparaes no
significativas;
Taxa de erro tipo I por experimento = Nmero de experimentos com pelo
menos uma comparao incorretamente declarada significativa / Nmero total
de experimentos com pelo menos uma comparao no significativa.
Para experimentos de apenas dois tratamentos essas duas taxas de erro so idnticas.
A taxa de erro por experimento no faz distino entre declarar incorretamente como
significativa uma comparao e declarar incorretamente como significativas dez comparaes,
por exemplo, em um experimento particular. Ela tambm no distingue entre um experimento
com dois tratamentos (em que h apenas uma comparao possvel) e um experimento com
vinte tratamentos (em que so possveis 190 comparaes). Entretanto, bvio que mais fcil
rejeitar uma ou mais comparaes em um experimento com 20 tratamentos do que em um
experimento com apenas dois tratamentos. De fato, se os 20 tratamentos do experimento so
idnticos, em um teste de significncia no nvel =0,05, 0,05x100 = 5 por cento das 190
comparaes, ou seja, entre 9 e 10 comparaes, so falsamente declaradas significativas, por
mero acaso. Assim, uma taxa de erro tipo I por experimento de 0,05 muito mais estringente
do que uma taxa de erro tipo I por comparao de 0,05.
No h regra ou critrio geral para a deciso sobre qual dessas duas razes de erro
mais apropriada para uma situao particular. A escolha preponderantemente subjetiva e deve
levar em conta as consideraes que seguem. Uma taxa por experimento mais conservadora
no sentido de que conduz a um menor nmero de erros tipo I (falsas significncias); entretanto,
implica em nmero mais elevado de erros tipo II (falha de deteco de diferenas reais). Assim,
uma taxa de erro por experimento mais adequada em situaes em que a declarao incorreta
de significncia de uma comparao pode viciar todo o experimento, ou a declarao incorreta
de significncia de uma comparao to sria quanto declarao incorreta de significncia
de 10 comparaes. Entretanto, em geral, parece critrio demasiadamente conservador no
permitir uma nica rejeio em um total de t(t-1)/2 comparaes possveis. Dessa forma, taxas
de erro por comparao parecem geralmente mais apropriadas.
Os procedimentos para comparaes mltiplas de tratamentos mais usuais - o teste
dms de Fisher e os testes de Duncan e de Tukey - sero descritos a seguir, com a caracterizao
das principais condies de seu uso.
2.5.2 Varincia da diferena de duas mdias de tratamentos
A diferena de duas mdias de tratamentos um caso particular de contraste de

mdias de tratamentos. Assim, a varincia da diferena das estimativas de duas mdias de
tratamentos y i e y i ' , baseadas, respectivamente, em ri e ri', repeties, com varincia
populacional comum 2, ou seja:
d2 = Var( y i y i' ) ,
expressa por:
1 1
d2 = + 2 .
ri ri'
O desvio padro da diferena das estimativas das duas mdias de tratamentos a raiz quadrada
da correspondente varincia, ou seja:
1 1
d = + 2 .
ri ri'
Se as duas mdias so baseadas em um mesmo nmero r de repeties, esta expresso reduz-se
a:
d =
2
2
.
r
Os estimadores da varincia e do desvio padro da diferena das estimativas das

mdias de dois tratamentos so dados por expresses semelhantes com a varincia populacional
2 substituda por uma sua estimativa s2; nas situaes mais simples, s2 = QM Erro.
Tratar-se-, inicialmente, dos procedimentos para comparaes mltiplas de
tratamentos para a situao de igual nmero de repeties para todos os tratamentos. O caso de
nmeros diferentes de repeties ser considerado ulteriormente.
2.5.3 Teste dms de Fisher
Recorde-se que, em experimentos com dois tratamentos com mesma varincia, a

hiptese:
H 0 : m1 =m 2

H A : m1 m 2
pode ser testada pela estatstica t (de Student), ou seja:
y y
t= 1 2,
sd
onde y1 e y 2 so estimativas independentes das duas mdias e sd a estimativa do
correspondente desvio padro da diferena das estimativas das duas mdias, determinadas de
dados de um experimento. Esta estatstica, sob a hiptese de nulidade, tem a distribuio t com
graus de liberdade da estimativa da varincia casual s2.
Em um teste bilateral, a hiptese de nulidade rejeitada em um nvel de significncia
, previamente estabelecido, se o valor da estatstica determinado no experimento superior,
em valor absoluto, ao ponto t(;) da distribuio t que limita uma cauda direita
correspondente probabilidade /2, isto , se: | t | > t(;). As duas caudas da distribuio
assim determinadas constituem a regio de rejeio do teste (Figura 2.8).
Figura 2.8. Grfico da distribuio t, com a indicao da regio de

rejeio em um teste bilateral com nvel de significncia
- caudas direita e esquerda correspondentes rea .
Portanto, a hiptese de nulidade rejeitada, se:

y1 y2
> t(, ) ,
sd
ou seja:
y1 y2 > t(, )sd ,
isto , se o valor absoluto da diferena das mdias observadas superior a um valor mnimo
para a declarao de significncia, denominado diferena mnima significativa,
abreviadamente denotada por dms:
dms = t(;) sd.
No caso de dois tratamentos, o teste t equivalente ao teste F da anlise de variao
(de fato, t2 = F).
O teste dms de Fisher o teste t de Student aplicado s comparaes mltiplas de
mdias, condicionado significncia do resultado do teste F da variao global atribuvel aos
Assim, pelo teste dms de Fisher, a diferena de dois tratamentos declarada
significativa se o resultado do teste F da variao global de tratamentos significativo e o valor
absoluto da diferena entre as duas mdias observadas dos dois tratamentos, yi e y i' ,
superior diferena mnima significativa. Se o teste F revelar ausncia de significncia da
variao atribuvel aos efeitos de tratamentos, nenhuma diferena de tratamentos pode ser
declarada significativa.
Exemplo 2.7. Considere-se um experimento que teve como propsito a comparao
de variedades de ervilha de porte baixo, conduzido com o delineamento blocos casualizados,
com quatro repeties das seguintes variedades: 1 - nica, 2 - Profusion, 3 - Roi des Fins
Verts, 4 - Early Harvest, 5 - Annonay e 6 - Fins des Gourmets. A produo de gros secos, em
decagramas por parcela de 4 m2, registrada sobre o croqui do experimento, apresentada na
Figura 2.9. Os resultados da anlise da variao e do teste F da variao atribuvel a efeitos de

tratamentos so dados na Tabela 2.18.
5 4 2 6 3 1
Bloco 1
76 88 72 60 72 112
3 2 6 1 4 5
Bloco 2
44 43 39 87 84 32
2 1 3 4 5 6
Bloco 3
84 72 44 60 34 65
5 4 1 2 6 3
Bloco 4
33 64 69 49 42 42
Figura 2.9. Croqui do experimento do Exemplo 2.7, com os

dados de produo de gros de ervilha, em
dag/4m2.
Tabela 2.18. Resultados da anlise da variao dos dados de produo de

gros do experimento do Exemplo 2.7.

Bloco 3 3.150,125
Variedade 5 4.975,875 995,175 6,716 0,0018
Erro 15 2.222,625 148,175
Total 23 10.348,625
Mdia geral: 61,125 dag/4m2.
C.V.: 19,91%.
Tem-se: r = 4; s2 = 148,175; e t(15;0,05) = 2,131, obtido da tabela de pontos

percentuais da distribuio t (de Student) (Tabela A2 do Apndice) para =15 e =0,05.
Logo,
2(148,175)
dms = 2,131 = 18,34.
4
Um procedimento para a execuo do teste de significncia para todas as diferenas de
mdias de tratamentos inicia pela disposio dos tratamentos e correspondentes mdias em uma
tabela, com os tratamentos ordenados segundo a ordem decrescente ou crescente das
respectivas mdias, conforme a mdia mais elevada ou mais baixa, respectivamente, indique o
"melhor" tratamento. Como no exemplo o melhor tratamento corresponde mdia mais
elevada, as mdias so dispostas em ordem crescente, Tabela 2.19.
Tabela 2.19. Mdias da produo de gros das cultivares de

ervilha do Exemplo 2.7 dispostas em ordem
decrescente.
Ordem Cultivar Mdia (dag/4m2)

1 1 - nica 85,0
2 4 - E.Harvest 74,0
3 2 - Profusion 62,0
4 6 - F.Gourmets 51,5
5 3 - R.F.Verts 50,5
6 5 - Annonay 43,7
Inicia-se, ento, com a comparao do tratamento de mdia mais elevada com cada um
dos demais tratamentos. Para tal, subtrai-se a dms da mdia daquele tratamento:
85,0 - 18,34 = 66,66.
Dessa forma, os tratamentos so classificados em dois grupos exclusivos: um grupo constitudo
pelos tratamentos de mdia inferior a 66,66 (cultivares 2, 6, 3 e 5) e o outro, pelos demais
tratamentos (cultivares 1 e 4). O primeiro grupo compreende os tratamentos que diferiram
significativamente do tratamento de mdia mais elevada; o segundo grupo compreende o
tratamento de mdia mais elevada e os tratamentos que no diferiram significativamente deste
tratamento.
Esse processo de classificao dos tratamentos em dois grupos exclusivos seguido,
sucessivamente, para cada tratamento, na ordem da mdia mais elevada para a mais baixa. O
processo encerra-se quando o valor que resulta da subtrao da dms de uma mdia de
tratamento igual ou inferior menor mdia de tratamento, resultando da classificao para
esse tratamento apenas um grupo, de modo que qualquer classificao ulterior no poder
conduzir a separao de novos grupos.
Assim, prosseguindo com o exemplo, subtrai-se a dms da segunda mdia mais
elevada:
74,0 - 18,34 = 55,66,
classificando-se os tratamentos, excludo aquele de mdia mais elevada, em dois grupos: o
grupo dos tratamentos com mdia inferior a 55,66 (cultivares 6, 3 e 5), que diferiram
significativamente do tratamento de segunda mdia mais elevada, e o grupo constitudo por
este tratamento e os demais tratamentos de mdias no inferiores a 55,66 (cultivares 4 e 2), que
no diferiram significativamente do tratamento de segunda mdia mais elevada.
No prximo passo, subtrai-se a dms da terceira mdia mais elevada:
62,0 - 18,34 = 43,66,
que valor inferior mdia mais baixa dos tratamentos. Logo, nenhum dos tratamentos que
seguem o tratamento de terceira mdia mais elevada difere significativamente deste. Dessa
forma, neste passo formado um nico grupo, constitudo pelo tratamento de terceira mdia
mais elevada e os demais de mdias inferiores a esta (cultivares 2, 6, 3 e 5).
Essa classificao sucessiva de tratamentos pode ser efetuada na tabela de mdias de

tratamentos por meio de barras verticais, uma para cada passo da classificao, cada uma
abrangendo as mdias dos tratamentos que no diferiram significativamente (Tabela 2.20).
Tabela 2.20. Grupos de tratamentos formados pelo teste

dms de Fisher, experimento do Exemplo 2.7.
Ordem Cultivar Mdia (dag/4m2) 1

1 1 - nica 85,0
2 4 - E.Harvest 74,0
3 2 - Profusion 62,0
4 6 - F.Gourmets 51,5
5 3 - R.F.Verts 50,5
6 5 - Annonay 43,7
1
Mdias no abrangidas por uma mesma barra
vertical diferiram significativamente pelo teste
dms de Fisher (=0,05).
Observe-se que esse processo de classificao de tratamentos resultante do teste dms

de Fisher, assim como de qualquer dos demais testes de comparaes mltiplas de tratamentos
apresentados a seguir no conduz necessariamente formao de grupos exclusivos. Observe-
se, tambm, que pode resultar a formao de grupos de tratamentos includos em grupos
constitudos em passo anterior. Para simplicidade da apresentao dos resultados, a indicao
de grupos de tratamentos includos em grupos mais amplos deve ser omitida.
mais usual a indicao do agrupamento de tratamentos resultante da aplicao de um
procedimento de comparaes mltiplas de tratamentos por letras minsculas em lugar de
barras verticais - uma letra para cada barra, em ordem alfabtica, da esquerda para a direita.
Para o exemplo, o resultado do teste dms de Fisher , ento, apresentado na Tabela 2.21.
Tabela 2.21. Resultados das comparaes mltiplas das

cultivares de ervilha do Exemplo 2.7, efetuadas
pelo teste dms de Fisher.

1 1 nica 85,0 a
2 4 - E.Harvest 74,0 ab
3 2 Profusion 62,0 bc
4 6 - F.Gourmets 51,5 c
5 3 - R.F.Verts 50,5 c
6 5 Annonay 43,7 c
1
Mdias no abrangidas por uma mesma letra
minscula diferiram significativamente pelo
teste dms de Fisher (=0,05).
Um processo alternativo para o teste dms de Fisher a organizao de uma tabela de

dupla-entrada de diferenas de mdias, com os tratamentos na ordem decrescente das mdias
em colunas e na ordem crescente das mdias em linhas, com a omisso da ltima coluna e da
ltima linha. A significncia de cada diferena de mdias indicada na tabela por um asterisco
colocado ao lado da correspondente diferena. Os grupos de tratamentos que resultam do teste
dms de Fisher so, agora, indicados pela ausncia e presena de asteriscos nas colunas. No
exemplo, os resultados desse procedimento esto na Tabela 2.22.
Tabela 2.22. Teste dms de Fisher efetuado com o auxlio de uma

tabela das diferenas de mdias de tratamentos,
(1) (4) (2) (6) (3)

85,0 74,0 62,0 51,5 50,5
(5) 43,7 41,3* 30,3* 18,3 7,8 6,8
(3) 50,5 34,5* 23,5* 11,5 1,0 -
(6) 51,5 33,5* 22,5* 10,5 -
(2) 62,0 23,0* 12,0 -
(4) 74,0 11,0 -
dms = 18,34 dag/4m2
Assim, na primeira coluna, esto as diferenas de mdias relativas ao tratamento de

mdia mais elevada; na segunda coluna, as diferenas de mdias referentes ao tratamento de
segunda mdia mais elevada; etc.
2.5.4 Teste de Tukey
A amplitude mnima significativa para o teste de Tukey dada pela seguinte

expresso:
= q( ; t ; )s yi ,
onde q(;t;) o ponto percentual superior da distribuio da amplitude "estudentizada", ou

seja, (y i max .y i mn.) s yi , para graus de liberdade do erro, t tratamentos que se comparam e
=0,05 (ou 0,01), e s yi a estimativa do desvio padro da estimativa de uma mdia de
tratamento:
s yi = s 2 r .
Os valores de q(;t;) so providos por tabelas prprias (Tabela 3A do Apndice).

Para o exemplo, r = 4; s2 =148,17 e q(15;6;0,05)=4,60. Logo,
= 4,60 148,17 4 = 28,00 .
As comparaes so feitas contrastando as diferenas entre as mdias de tratamentos com essa
amplitude mnima significativa, como na Tabela 2.23.
Tabela 2.23. Teste de Tukey efetuado com o auxlio de uma tabela

das diferenas de mdias de tratamentos, para o
(1) (4) (2) (6) (3)

85,0 74,0 62,0 51,5 50,5
(5) 43,7 41,3* 30,3* 18,3 7,8 6,8
(3) 50,5 34,5* 23,5 11,5 1,0 -
(6) 51,5 33,5* 22,5 10,5 -
(2) 62,0 23,0 12,0 -
(4) 74,0 11,0 -
= 28,00 dag/4m2
Os resultados do teste de Tukey so apresentados em uma tabela de mdias de

tratamentos, semelhana do teste dms de Fisher, Tabela 2.24.
Tabela 2.24. Resultados do teste de Tukey para as comparaes

mltiplas das cultivares do experimento do
Exemplo 2.7.

1 1 - nica 85,0 a
3 2 - Profusion 62,0 abc
4 6 - F.Gourmets 51,5 bc
5 3 - R.F.Verts 50,5 bc
6 5 - Annonay 43,7 c
1
teste de Tukey (=0,05).
2.5.5 Teste de Duncan
O teste de Duncan um teste de amplitude mltipla, isto , usa uma amplitude para
cada distncia que separa as mdias de tratamentos ordenadas. A amplitude mnima
significativa para dois tratamentos dada por:
w a = q a ( ; ) s yi ,
onde qa(;) a "amplitude estudentizada" para graus de liberdade do erro, =0,05 (ou 0,01)
e a tratamentos compreendidos entre os dois que se comparam, includos estes, e s yi a
estimativa do desvio padro da estimativa de uma mdia de tratamento:
s yi = s 2 r .
Os valores de qa(;) so fornecidos por tabelas especiais (Tabela A4 do Apndice).

No exemplo, tem-se: r=4 e s2 =148,17, donde:
s2 r = 148,17 4 = 6, 086 .
As amplitudes mnimas significativas so, ento, obtidas multiplicando esse valor da estimativa
do desvio padro de uma mdia de tratamento pelas amplitudes estudentizadas, obtidas da
tabela. Obtm-se:
q6 = 3,36 w6 = 20,4
q5 = 3,31 w5 = 20,1
q4 = 3,25 w4 = 19,8
q3 = 3,16 w3 = 19,2
q2 = 3,01 w2 = 18,3
As comparaes so efetuadas contrastando as diferenas entre as mdias de tratamentos com

as correspondentes amplitudes mnimas significativas, como na Tabela 2.25.
Tabela 2.25. Teste de Duncan efetuado com o auxlio de uma

tabela das diferenas de mdias de cultivares,
Exemplo 2.7.
(1) (4) (2) (6) (3)

85,0 74,0 62,0 51,5 50,5
(5) 43,7 41,3* 30,3* 18,3 7,8 6,8
(3) 50,5 34,5* 23,5* 11,5 1,0 -
(6) 51,5 33,5* 22,5* 10,5 -
(2) 62,0 23,0* 12,0 -
(4) 74,0 11,0 -
w6=20,4; w5=20,1; w4=19,8, w3=19,2; w2=18,3
Observe-se que, como a amplitude mnima para declarao de significncia da

diferena de duas mdias no nica - depende da distncia das mdias ordenadas, pode
ocorrer que uma diferena de duas mdias compreendidas entre outras duas mdias que no
diferiram significativamente seja superior correspondente amplitude mnima significativa.
Para evitar incoerncias, o teste de Duncan estabelece a seguinte regra: mdias compreendidas
entre duas mdias que no diferiram significativamente tambm no diferem
significativamente.
Os resultados do teste de Duncan so apresentados em uma tabela de mdias,

semelhana dos testes dms de Fisher e de Tukey. Para o experimento que est sendo
considerado como exemplo os resultados esto na Tabela 2.26.
Tabela 2.26. Resultados das comparaes mltiplas das

cultivares do experimento do Exemplo 2.7
efetuadas pelo teste de Duncan.

1 1 nica 85,0 a
3 2 Profusion 62,0 bc
4 6 - F.Gourmets 51,5 c
5 3 - R.F.Verts 50,5 c
6 5 - Annonay 43,7 c
1
teste de Duncan (=0,05).
2.5.6 Escolha de teste de comparaes mltiplas
O teste dms de Fisher e os testes de Tukey e de Duncan tm diferentes fundamentos

tericos e pressuposies. Dessa forma, os resultados desses trs testes aplicados a uma mesma
situao podem diferir. De modo geral, esses testes guardam a seguinte relao quanto
magnitude da probabilidade do erro tipo I, quando aplicados com um mesmo nvel de
significncia nominal:
teste dms de Fisher > teste de Duncan > teste de Tukey.
Por essa razo, diz-se que o teste de Tukey o mais conservador desses trs testes no
que se refere probabilidade de erro tipo I, ou seja, declara significncias com menos
frequncia do que o teste dms de Fisher e o teste de Duncan, e este, por sua vez, mais
conservador do que o teste dms de Fisher.
Assim, para ilustrao, os resultados dos trs testes aplicados para os dados do
experimento do Exemplo 2.7so apresentados na Tabela 2.27.
Tabela 2.27. Resultados dos testes dms de Fisher, de Tukey e de

Duncan aplicados para as comparaes mltiplas das
cultivares de ervilha do experimento do Exemplo 2.7.
Mdia dms de
Ordem Cultivar 2 Duncan Tukey
(dag/4m ) Fisher
1 1 - nica 85,0 A a a
2 4 E.Harvest 74,0 Ab ab ab
3 2 - Profusion 62,0 bc bc abc
4 6 - F.Gourmets 51,5 c c bc
5 3 R.F.Verts 50,5 c c bc
6 5 - Annonay 43,7 c c c
Os resultados das comparaes mltiplas efetuadas pelos testes dms de Fisher e de

Duncan foram, circunstancialmente, os mesmos para o Exemplo 2.7. Entretanto, diferiram dos
resultados do teste de Tukey. Verifica-se, por exemplo, que as cultivares nica e Profusion
diferiram significativamente pelo teste dms de Fisher e pelo teste de Duncan, mas no diferiram
significativamente pelo teste de Tukey.
Observe-se que uma menor probabilidade do erro tipo I implica em maior
probabilidade do erro tipo II. O balanceamento apropriado entre essas duas probabilidades de
erro deve ser a base para a escolha entre os trs testes. Saliente-se, ademais, que outros testes
para comparaes mltiplas so, tambm, disponveis, de modo que o pesquisador pode
ampliar a base de sua escolha.
A principal diferena entre os trs testes decorre de seus diferentes fundamentos
tericos e, em particular, das distintas taxas de erro que eles adotam. O teste dms de Fisher
adota taxa de erro por comparao e o teste de Tukey, taxa de erro por experimento, enquanto o
teste de Duncan usa taxa de erro que no baseada nem por experimento nem por comparao.
Os testes de comparaes mltiplas tm sido comparados por meio de simulao. Os resultados
tm sido contraditrios, em decorrncia das diferentes condies e pressuposies consideradas
e, principalmente, das distintas taxas de erro dos testes comparados.
Os adeptos da taxa de erro por experimento advogam o teste de Tukey, ou mesmo o
teste de Scheff para contrastes mais gerais, excessivamente conservador para contrastes de
duas mdias, e rejeitam os testes dms de Fisher e de Duncan. Entretanto, os que aderem taxa
de erro por comparao sustentam que a unidade bsica a comparao, no o experimento.
Argumentam que, por exemplo, uma deciso incorreta em um conjunto das 45 comparaes
mltiplas de 10 tratamentos (45 = 10x9/2) no afeta a utilidade das restantes 44 comparaes.
Ademais, em um teste no nvel de significncia de 5%, h uma chance de um em 20 de uma
deciso incorreta, de modo que em 45 comparaes deve-se tolerar cerca de duas decises
incorretas.
Alm disso, em muitos experimentos, como experimentos agrcolas de campo,
usualmente so esperadas diferenas de mdias de tratamentos, o que torna a considerao do
erro tipo II pelo menos to importante quanto a do erro tipo I.
Em resumo, a escolha entre os testes de comparaes mltiplas reduz-se escolha
entre uma taxa de erro por experimento, para a qual o teste de Tukey o recomendado, e uma
taxa de erro por comparao, para a qual o teste dms de Fisher o recomendado. O teste de
Duncan um meio termo entre essas duas alternativas.
As objees ao teste de Duncan podem ser removidas ou reduzidas pelo requerimento
da significncia do teste F global para tratamentos, ou pela adoo de um nvel de significncia
mais baixo; 0,01 ou 0,001, por exemplo. Semelhantemente, as objees ao teste de Tukey
podem ser removidas ou reduzidas tomando um nvel de significncia mais elevado; 0,10 ou
0,25, por exemplo.
De fato, tem sido argumentado que no h tanta diferena entre os mtodos, e que
qualquer um dos testes para comparaes mltiplas pode ser utilizado para os propsitos
desejados, bastando a adequada escolha do nvel de significncia.
Assim, de modo geral, a escolha de um teste de comparaes mltiplas envolve uma
deciso entre atribuir mais importncia proteo do erro tipo 1 ou do erro tipo 2. Ento, o
pesquisador pode considerar duas abordagens alternativas para a escolha de teste de
comparaes mltiplas para seus experimentos:
1) Adotar um nvel de significncia comum para seus experimentos e, ento, para
cada experimento particular escolher o teste segundo suas implicaes para as
probabilidades reais dos erros tipo 1 e tipo 2:
teste dms de Fisher, se o erro tipo 2 for mais grave do que o erro tipo 1;
teste de Tukey, se o erro tipo 1 for mais grave do que o erro tipo 2;
teste de Duncan, para situaes intermedirias.
2) Escolher um teste de comparaes mltiplas e um nvel de significncia bsico A
para as situaes em que os erros tipo 1 e tipo 2 sejam igualmente importantes;
ento, escolher o nvel de significncia para cada experimento particular
segundo as gravidades relativas dos erros tipos 1 e 2:
> A, se o erro tipo 2 for mais grave do que o erro tipo 1;
< A, se o erro tipo 1 for mais grave do que o erro tipo 2;
= A, se os erros tipo 1 e tipo 2 forem igualmente importantes.
2.6 Fator Misto Decomposio em Componentes Ortogonais
Os nveis de um fator misto so estruturados em subconjuntos de nveis que se

relacionam qualitativamente ou quantitativamente, e cada um desses subconjuntos compreende
uma estrutura de um fator quantitativo ou qualitativo, ou um nvel isolado. A discriminao da
variao entre os nveis de um fator misto procedida em duas etapas. A primeira etapa a
discriminao da variao entre os subconjuntos de nveis); a segunda etapa compreende a
discriminao da variao interna de cada um desses subconjuntos de nveis:
1 Discriminao da variao entre os subconjuntos dos nveis.
Essa discriminao da variao procedida de modo semelhante decomposio
incompleta da variao para fator qualitativo especfico estruturado (Seo 2.3.2); no caso de
mais de dois grupos de nveis, segue-se a aplicao de procedimento apropriado para a
estrutura dos grupos de nveis, que pode ser qualitativa especfica estruturada ou no
estruturada, ou quantitativa.
2 Discriminao da variao interna a cada um dos subconjuntos de nveis.

A estrutura de cada um dos grupos de nveis pode ser qualitativa especfica estruturada
ou no estruturada, ou quantitativa. Correspondentemente, aplica-se para cada um desses
grupos o procedimento apropriado pra a discriminao da variao entre os correspondentes
nveis.
O procedimento ilustrado pelos exemplos que seguem.
Exemplo 2.8. Considere-se um experimento com o propsito de pesquisa de fontes e
pocas de aplicao de nitrognio para o cultivo de arroz irrigado, com os seguintes
tratamentos:
1 Testemunha (sem N),
2 Salitre do Chile, todo na base,
3 Salitre do Chile, 1/3 na base e 2/3 em cobertura, aos 45 dias,
4 Salitre do Chile, 1/3 na base e 2/3 em cobertura, aos 90 dias,
5 Sulfato de Amnio, todo na base,
6 Sulfato de Amnio, 1/3 na base e 2/3 em cobertura, aos 45 dias,
7 Sulfato de Amnio, 1/3 na base e 2/3 em cobertura, aos 90 dias.
A estrutura do fator Adubao nitrogenada compreende trs grupos de nveis que se
relacionam qualitativamente, assim constitudos: grupo 1 tratamento 1, grupo 2 tratamentos
2, 3 e 4, e grupo 3 tratamentos 5, 6 e 7. O grupo 1 compreende apenas um tratamento controle;
o grupo 2 constitudo de trs nveis quantitativos correspondentes a adubao com Salitre do
Chile parcelada, com as fraes de 1/3 na base e 2/3 em cobertura aos 0, 45 e 90 dias,
respectivamente; e o grupo 3 compreende trs nveis correspondentes s mesmas doses
parceladas de N, mas provenientes de Sulfato de Amnio.
A escolha desses nveis decorreu dos objetivos do experimento de pesquisar os efeitos
da adubao nitrogenada de duas fontes: Salitre do Chile e Sulfato de Amnio, e do
parcelamento dessa adubao na base e em cobertura. Mais especificamente, os seguintes
efeitos ou comparaes foram definidos como objetivos:
1 - Efeito da adubao nitrogenada,
2 - Salitre do Chile versus Sulfato de Amnio,
3 Entre pocas de adubao com Salitre do Chile em cobertura e
4 - Entre pocas de adubao com Sulfato de Amnio em cobertura.
O experimento foi conduzido com delineamento blocos casualizados com quatro
repeties. Os dados de peso da produo de gros, em decagramas por parcela de 6m2 esto na
Tabela 2.28.
Tabela 2.28. Dados de peso da produo de gros, em decagramas

por parcela de 9 m2, do experimento do Exemplo 2.8.
Bloco
Tratamento Soma
1 2 3 4
1 84 111 92 98 385
2 144 138 104 129 515
3 141 129 145 146 561
4 95 127 112 124 458
5 105 119 107 125 456
6 130 130 122 171 553
7 118 104 101 122 445
Soma 817 858 783 915 3.373

tratamentos so apresentados na Tabela 2.29.
Tabela 2.29. Anlise da variao do peso da produo de gros e teste de

significncia da variao atribuvel a tratamentos, experimento do
Exemplo 2.8.

Bloco 3 1.383,54 -
Tratamento 6 6.100,21 1.016,702 6,491 0,0009
Resduo 18 2.819,21 156,623
Total 27 10.302,96
CV: 10,4%.
A variao atribuvel a tratamentos deve ser decomposta nas variaes

correspondentes aos seguintes contrastes de interesse:
C1: Efeito da adubao nitrogenada: (1) versus (2,3,4,5,6);
C2: Salitre do Chile versus Sulfato de Amnio: (2,3,4) versus (5,6,7);
C3: poca de adubao com Salitre do Chile - Componente linear: (2) versus (4);
C4: poca de adubao com Salitre do Chile - Componente quadrtico: (2,4) versus
(3);
C5: poca de adubao com Sulfato de Amnio - Componente linear: (5) versus
(7);
C6: poca de adubao com Sulfato de Amnio - Componente quadrtico: (5,7)
versus (6);
Essa decomposio facilitada com o auxlio da Tabela 2.30.
Tabela 2.30. Coeficientes dos contrastes de interesse e resultados parciais do

procedimento de decomposio da variao atribuvel a
tratamentos nesses componentes, experimento do Exemplo 2.8.
Contraste
Tratamentos
Pki k
C
1 2 3 4 5 6 7 i
C1 -6 1 1 1 1 1 1 42 678
C2 0 -1 -1 -1 1 1 1 6 -80
C3 0 -1 0 1 0 0 0 2 -57
C4 0 1 -2 1 0 0 0 6 -149
C5 0 0 0 0 -1 0 1 2 -11
C6 0 0 0 0 1 -2 1 6 -205
Total: yi 385 515 561 458 456 553 445
Os testes de significncias dos seis contrastes de interesse so providos pela anlise da

variao resumida na Tabela 2.31.
Tabela 2.31. Anlise da variao do peso da produo de gros e testes de

significncias dos contrastes de interesse, experimento do Exemplo 2.8.

Bloco 3 1.383,536 - - -
(Tratamento) (6) (6.100,214)
C1 1 2.736,214 2.736,214 17,470 0,0006
C2 1 266,667 266,667 1,703 0,2084
C3 1 406,125 406,125 2,593 0,1247
C4 1 925,042 925,042 5,906 0,0258
C5 1 15,125 15,125 0,097 0,7596
C6 1 1.751,042 1.751,042 11,180 0,0036
Resduo 18 2.819,214 156,623
A anlise estatstica deve ser completada com o ajustamento de funes polinomiais

quadrticas para exprimir a relao entre produo de tubrculos e poca da adubao em
cobertura. As concluses dessa anlise estatstica so resumidas a seguir:
1) O efeito do Nitrognio foi significativo (P=0,0006):
Com Nitrognio: 5.533 kg/ha

Sem Nitrognio: 3.978 kg/ha
Diferena: 1.556 kg/ha
2) A diferena entre Salitre do Chile e Sulfato de Amnio no foi significativa

(P=0,2084):
Salitre do Chile: 5.681 kg/ha

Sulfato de Amnio: 5.385 kg/ha
Diferena: 296 kg/ha
3) O componente linear da variao atribuvel poca de adubao com Salitre do

Chile em cobertura no foi significativo (P=0,1247); o componente quadrtico foi significativo
(P=0,1247). A funo polinomial estimada para exprimir a relao entre produo de
tubrculos e poca da adubao em cobertura : y = 6, 0 + 104, 625x 18, 625x 2 .
3) O componente linear da variao atribuvel poca de adubao com Sulfato de
Amnio em cobertura no foi significativo (P=0,7596); o componente quadrtico foi
significativo (P=0,0036). A funo polinomial estimada para exprimir a relao entre produo
de tubrculos e poca da adubao em cobertura : y = 776, 0 + 306,125x 25, 625x 2 .
Outra ilustrao provida pelo Exemplo 2.9.
Exemplo 2.9. Considerem-se os dados de um experimento para pesquisa da adubao
com fsforo para o cultivo de arroz irrigado, com os seguintes tratamentos:
1 Sem fsforo,
2 Fosfato de Olinda, 60 kg P2O5/ha,
3 Superfosfato, 60 kg P2O5/ha,
4 Fosfato de Olinda, 30 kg P2O5/ha, e Superfosfato 30 kg P2O5/ha,
5 Fosfato de Olinda, 90 kg P2O5/ha,
6 Superfosfato, 90 kg P2O5/ha,
7 Fosfato de Olinda, 30 kg P2O5/ha, e Superfosfato, 60 kg P2O5/ha,
8 Fosfato de Olinda, 60 kg P2O5/ha, e Superfosfato, 30 kg P2O5/ha.
Esses tratamentos foram escolhidos tendo em conta os objetivos do experimento de
pesquisar doses de Fsforo do intervalo entre 0 e 90 kg/ha de P2O5 e combinaes de
Superfosfato e Fosfato de Olinda como fontes de Fsforo.
Os dados de peso da produo de gros, em decagramas/9m2 esto na Tabela 2.32.
Tabela 2.32. Dados de peso da produo de gros, em

decagramas por parcela de 9 m2, experimento do
Exemplo 2.9.
Bloco
Tratamento Soma
1 2 3 4
1 234 247 233 220 934
2 261 230 235 224 950
3 267 262 326 335 1.190
4 268 264 255 352 1.139
5 257 255 308 301 1.121
6 348 312 365 309 1.334
7 227 352 313 310 1.202
8 312 316 315 308 1.251
Soma 2.174 2.238 2.350 2.359 9.121

tratamentos esto na Tabela 2.33.
Tabela 2.33. Anlise da variao da produo de gros e teste de significncia da

variao atribuvel a tratamentos, experimento do Exemplo 2.9.

Bloco 3 3.017,59
Tratamento 7 33.799,72 4.828,53 4,682 0,0027
Resduo 21 21.655,66 1.031,22
Total 31 58.472,97
2
CV: 11,3%.
A variao entre tratamentos pode ser decomposta na variao entre os trs grupos de
tratamentos correspondentes aos nveis de fsforo 0, 60 e 90 kg P2O5/ha, ou seja: grupo 1 -
tratamento 1, grupo 2 - tratamentos 2, 3 e 4, e grupo 3 - tratamentos 5, 6 e 7, e na variao
dentro de cada um destes dois ltimos grupos, como segue:
9342 3.2792 4.9082 9.1212
SQ Grupos = + + = 19.834,72 ,
4 12 16 32
9502 +1.1902 +1.1392 (950 +1.190 +1.139)2

SQ Trat. | Grupo 2 = = 7.993,50,
4 12
1.1212 +1.3342 +1.2022 +1.2512 (1.121+1.334 +1.202 +1.251) 2

SQ Trat. | Grupo 3 = - =
4 16
= 5.971,50.
Essa decomposio e os correspondentes testes de significncia so resumidos na

Tabela 2.34.
Tabela 2.34. Decomposio da variao entre tratamentos em variao entre

grupos e dentro de grupos, e correspondentes testes de
significncias, experimento do Exemplo 2.9.

(Tratamento) (7) (33.799,72)
Entre Grupos 2 19.834,72 9.917,36 9,617 0,0011
Tratam. | Grupo 2 2 7.993,50 3.996,75 3,876 0,0369
Tratam. | Grupo 3 3 5.971,50 1.990,50 1,930 0,1556
Resduo 21 21.655,66 1.031,22
As discriminaes das variaes entre grupos e entre os tratamentos dos grupos 2 e 3

podem ser completadas pelos procedimentos apropriados, segundo os objetivos do
experimento:
- Variao entre os grupos: Decomposio em componentes atribuveis s tendncias
polinomiais linear e quadrtica, e ajustamento de funo de resposta polinomial do grau
apropriado.
- Variao entre os tratamentos do grupo 2: Decomposio nos seguintes contrastes: 1
- Fontes isoladas versus combinadas, 2 - Fosfato de Olinda versus Superfosfato.
- Variao entre os tratamentos do grupo 3: Decomposio nos seguintes contrastes: 1
- Fontes isoladas versus combinadas, 2 - Fosfato de Olinda versus Superfosfato.
2.7 Comparaes Com Um Testemunha - Teste de Dunnett
Em algumas situaes, um dos tratamentos em um experimento unifatorial com nveis

qualitativos um testemunha ou controle, includo no experimento para servir de referncia na
avaliao das respostas individuais aos demais nveis. Menos usualmente, o interesse pode
residir no tratamento controle e o propsito sua comparao com cada um dos demais
tratamentos. O controle ou testemunha pode ser o nvel usual do fator ou o nvel que
corresponda ausncia de interveno do experimentador ou, ainda um nvel de interesse
especfico. Por exemplo, a cultivar comum na regio em um experimento de comparao de
cultivares; a rao usualmente administrada aos animais em um experimento de comparao de
raes; a ausncia de aplicao de inseticida ou de antibitico em um experimento com
inseticidas ou antibiticos, respectivamente; uma nova cultivar em um experimento para
comparao com cultivares usuais ou de cujo cruzamento se originou a nova cultivar.
Um procedimento nessas situaes efetuar uma decomposio preliminar da
variao entre tratamentos, isolando um componente da soma de quadrados de tratamentos,
com um grau de liberdade, correspondente ao contraste que compara o tratamento testemunha
com os demais tratamentos e, ento, efetuar as comparaes mltiplas entre os demais t-1
tratamentos, por um dos procedimentos para comparaes mltiplas de mdias. Essa situao
foi tratada na Seo 2.3.2. Entretanto, se a variao entre esses t-1 tratamentos significativa, a
comparao do tratamento testemunha com o conjunto dos demais tratamentos pode no ter
sentido. O procedimento alternativo mais apropriado e, ento, efetuar a comparao de cada um
dos t-1 tratamentos com o testemunha.
Quando o experimentador deseja apenas as comparaes de um dos tratamentos,
escolhido a priori, com cada um dos demais t-1 tratamentos, como ocorre quando h um
testemunha, a aplicao do teste de Tukey, que apropriado para o conjunto de todas as t(t-1)/2
comparaes mltiplas dos t tratamentos, implica na adoo de um valor crtico (valor mnimo
para que uma diferena seja declarada significativa) exageradamente grande. Um teste
apropriado para esse subconjunto de comparaes mltiplas de tratamentos o teste de
Dunnett. Esse teste, como o teste de Tukey, adota uma taxa de erro por experimento e um nico
valor crtico para julgar todas as t-1 diferenas do tratamento testemunha em relao aos
demais t-1 tratamentos.
O teste de Dunnett estabelece que um tratamento difere do testemunha quanto
caracterstica em considerao se a diferena entre suas mdias for superior a:
A = tD (;p;) sd,
onde tD(;p;) obtido de tabelas prprias para testes unilaterais e bilaterais (Tabelas A5 e A6
do Apndice), para p = t-1 tratamentos que se comparam com o testemunha, graus de
liberdade da estimativa da varincia casual e = 0,05 ou 0,01, e sd o desvio padro da
diferena de duas mdias, ou seja:
sd = 2s 2 r .
A escolha entre teste bilateral e unilateral depende do conhecimento a priori
(estabelecido no plano do experimento), com fundamento terico da rea de pesquisa, do
sentido da diferena entre o efeito esperado do testemunha e os efeitos esperados dos demais
tratamentos. Se sabido a priori que o efeito esperado do testemunha igual ou superior, no
podendo ser inferior (ou igual ou inferior, no podendo ser superior), aos efeitos esperados dos
demais tratamentos, o teste unilateral. Caso contrrio, ou seja, se no conhecido a priori o
sentido da diferena, se existente, do efeito esperado do testemunha relativamente aos efeitos
esperados dos demais tratamentos, o teste bilateral. Assim, por exemplo, em um experimento
com inseticidas ou antibiticos em que o testemunha a ausncia da aplicao do inseticida ou
antibitico, respectivamente, pode ser conhecido, a priori, que os inseticidas ou os antibiticos
no podem ter efeitos negativos sobre a resposta (produo de gros ou temperatura do animal,
respectivamente, por exemplo). Neste caso, o teste unilateral. Mais frequentemente,
entretanto, tal ordenao entre os efeitos esperados dos tratamentos no conhecida a priori, o
que implica que o teste apropriado bilateral.
Em um teste de Dunnett bilateral, uma diferena entre mdias declarada significativa
se seu valor absoluto superior ao valor crtico A. Em um teste de Dunnett unilateral, uma
diferena de mdias declarada significativa apenas se seu valor superior +A, ou inferior -
A, conforme a relao entre os correspondentes efeitos esperados dos tratamentos. A
informao a priori adotada no teste unilateral torna-o menos exigente quanto ao erro tipo I do
que o correspondente teste bilateral; ou seja, um teste unilateral declara significncias de
diferenas com frequncia mais elevada que o correspondente teste bilateral.
Exemplo 2.10. Considere-se um experimento que teve como objetivo a comparao
da cultivar de tomateiro Pelotas com as duas cultivares das quais ela se originou por hibridao,
Homestead e Sioux, e com a variedade Rio Grande, que era de cultivo comum na regio Sul do
Estado do Rio Grande do Sul. O experimento adotou o delineamento blocos casualizados, com
quatro repeties. Os resultados da anlise da variao da produo comercializvel de frutos
de tomate (em dag/9,60m2) e os rendimentos mdios das cultivares so dados na Tabela 2.35 e
na Tabela 2.36.
Tabela 2.35. Resultados da anlise da variao da produo comercializvel

de tomate do experimento do Exemplo 2.10.

Bloco 3 2.323.488
Variedade 3 3.709.876 1.236.625 21,203 0,0002
Erro 9 524.904 58.323
Total 15 6.558.268
Tabela 2.36. Produo mdia de tomate comercializvel

para cada cultivar do experimento do
Exemplo 2.10.
Cultivar dag/9,60m2 kg/ha

1 - Pelotas 2.813,7 29.310
2 - Homestead 1.872,0 19.500
3 - Sioux 1.827,7 19.039
4 - Rio Grande 1.531,2 15.951
Declarada a significncia da variao entre os efeitos de tratamentos, h interesse em

saber se a nova cultivar Pelotas diferiu de seus pais, Homestead e Sioux, e da cultivar usual,
Rio Grande. Para tal propsito, pode-se recorrer ao teste de Dunnett, para efetuar as
comparaes da cultivar Pelotas com cada uma das demais cultivares. Como no h qualquer
condio a priori que estabelea a relao de grandeza entre os efeitos esperados da cultivar
Pelotas e das demais variedades, o teste bilateral.
Tem-se: t=4, r=4, s2 =58.323 com 9 graus de liberdade. Da Tabela A6 para o teste de
Dunnett bilateral, para =9 graus de liberdade da estimativa da varincia casual, p=3
tratamentos que se comparam com o testemunha, e nvel de significncia =0,05, obtm-se
t(9;3;0,05)=2,81. Logo,
A = 2,81 2x58.323 4 = 479,86 dag/9,60m2.
Subtraindo e somando esse valor crtico da mdia da cultivar Pelotas, obtm-se:
2.813,75 - A = 2.333,89,
2.813,75 + A = 3.293,61.
Ento, cultivares cujas mdias situam-se no intervalo (2.333,89; 3.293,61) no diferiram
significativamente da cultivar Pelotas; cultivares cujas mdias situam-se fora deste intervalo
diferiram significativamente da cultivar Pelotas. Observando a tabela de mdias (Tabela 2.25),
conclui-se que o rendimento da cultivar Pelotas foi significativamente superior aos rendimentos
de todas as demais cultivares. O resultado do teste de Dunnett pode ser apresentado,

resumidamente, junto com a tabela de mdias, Tabela 2.37.
Tabela 2.37. Resultados das comparaes da cultivar Pelotas

com cada uma das demais cultivares do
experimento do Exemplo 2.10, pelo teste de
Dunnett.
Mdia 1
Cultivar
dag/9,60m2 kg/ha
Pelotas 2.813,7 29.310
Homestead 1.872,0 19.500
Sioux 1.827,7 19.039
Rio Grande 1.531,2 15.951
1
As cultivares situadas abaixo da linha
pontilhada foram significativamente
inferiores a cultivar Pelotas, segundo o
teste de Dunnett (=0,05).
2.8 Comparaes Sugeridas Pelos Dados - Teste de Scheff
Se os contrastes de interesse em um experimento constituem um conjunto ortogonal

ou foram estabelecidos a priori, ou seja, no plano do experimento, os correspondentes testes de
significncia podem ser efetuados pelo teste t ou seu equivalente teste F. Em algumas
situaes, entretanto, pode ser desejado testar a significncia de contrastes sugeridos pelos
resultados do experimento. A aplicao do teste t, ou do teste F, em tal circunstncia no
recomendvel. O teste apropriado o teste de Scheff.
O teste de Scheff baseia-se no teste F da hiptese de nulidade dos efeitos de
tratamentos e apropriado para testar a significncia de qualquer contraste quando o resultado
do teste F foi significativo.
De modo geral, um resultado significativo do teste F indica que pelo menos um
contraste entre os tratamentos significativo. Pode-se, ento, recorrer ao teste de Scheff para
testar contrastes de interesse que envolvam mais de dois tratamentos. Para comparaes de
apenas dois tratamentos, o teste de Scheff rigoroso demais quanto ao erro tipo I.
prefervel, ento, aplicar outro teste, adequado para o caso (testes dms de Fisher, de Duncan, de
Tukey, de Dunnett, etc.).
Suponha-se que em um experimento com t tratamentos h interesse em testar a
seguinte hiptese:
H0 : C = 0

H A : C 0
onde C um contraste de mdias de tratamentos, ou seja:
C = c1m1 +c2m2+...+ctmt,
sendo mi a mdia esperada do tratamento i e ci (i=1,2,...,t), por definio, coeficientes que

satisfazem condio c1+c2+...+ct = 0.
Pelo teste de Scheff, o contraste C declarado significativo se a sua estimativa
C = c1 y1 + c 2 y 2 + ... + c t y t for igual ou superior, em valor absoluto, ao valor crtico S dado pela
frmula:
S= (t 1) F(t 1; ; ) Var(C)
,
onde Var (C) a estimativa da varincia da estimativa do contraste e F(t-1;;) o ponto

superior da distribuio F, obtido da Tabela A1, para t-1 e graus de liberdade, o nmero
de graus de liberdade da estimativa da varincia casual (quadrado mdio do erro) e o nvel
de significncia do teste (usualmente 0,05 ou 0,01).
Assim, pelo teste de Scheff, um contraste C significativo se:
| C | S , ou seja: | C | S 0 .
Recorde-se que, se as mdias dos tratamentos so independentes (no
correlacionadas), a estimativa da varincia da estimativa de um contraste expressa por:
c2 c2 c2
= 1 + 2 +...+ t s 2 ,
r1 r2 rt
Var(C)
onde ri o nmero de repeties do tratamento i (i=1,2,...,t) e s2 a estimativa da varincia

casual.
Se todos os tratamentos tm o mesmo nmero de repeties r, essa expresso
simplifica-se para:
c 2 + c 2 +...+ c 2t 2
= 1 2
Var(C) s .
r
Exemplo 2.11. Considerem-se os resultados do experimento que foi utilizado para
ilustrao da aplicao do teste de Dunnett (Exemplo 2.10). Suponha que, aps o
conhecimento dos resultados do experimento, o pesquisador manifestou o interesse de
comparar a nova cultivar Pelotas com as cultivares Homestead e Sioux, de cujo cruzamento
resultou a cultivar Pelotas, para verificar se do cruzamento decorreu ganho para a
produtividade. O teste de Scheff o procedimento apropriado para tal comparao, sugerida
aps o conhecimento dos resultados do experimento.
Como o resultado do teste de significncia da variao global entre os efeitos de
tratamentos (teste F) foi significativo, pode-se aplicar o teste de Scheff para o teste de
significncia do contraste em questo.
O contraste cujo teste de significncia de interesse o seguinte:
C = 2m1-m2-m3.
A estimativa deste contraste (para mdias de tratamentos) :
C = 22.813,7 - 1.872,0 - 1.827,7 =
= 1.927,7.
A estimativa da varincia dessa estimativa de contraste :
[22 + (1) 2 + (1)2 ]

Var(C) = 58.323 =
4
= 87.484,5.
Da Tabela A1, para 3 graus de liberdade de tratamentos, 9 graus de liberdade da estimativa da
varincia casual e =0,05, obtm-se: F(3;9;0,05) = 3,86. Ento, o valor crtico para o teste de
Scheff :
S= 3x3,86x87.484,5 = 1.006,5.
Comparando a estimativa do contraste com o correspondente valor crtico de Scheff,
tem-se:
| - S = 1.927,7 - 1.006,5 =
|C
= 921,2 > 0.
Logo, o contraste significativo no nvel de 5% de probabilidade.
Como com qualquer dos demais testes de significncia, o pesquisador pode escolher
efetuar o teste em um nvel de significncia mais estrito. Assim, para =0,01, obtm-se da
Tabela A1 F(3;9;0,01) = 6,99, de modo que o valor crtico para o teste do contraste em questo
:
S = 3x 6,99 x87,484,5 = 1.354,4.
Como:
| - S = 1.927,7 - 1.354,5 =
|C
= 573,2 > 0 ,
o contraste tambm significativo no nvel de 1% de probabilidade.
Conclui-se que o rendimento da cultivar Pelotas foi significativamente superior
(P<0,01) mdia dos rendimentos das cultivares que lhe originaram: Homestead e Sioux,
Exerccios 2.2
1. Os dados que seguem so os contedos de nitrognio de plantas de trevo vermelho,
provenientes de um experimento em casa de vegetao que visou estudar o efeito da
inoculao da semente com trs raas de Rhizobium:
Raa N na planta
3DOK1 19,4 32,6 27,0 32,1 33,0
3DOK5 18,2 24,6 25,5 19,4 21,7 20,8
3DOK7 20,7 21,0 20,5 18,8 18,6 20,1 21,3
a) Proceda a anlise da variao e efetue o teste de significncia da variao atribuvel a

b) Efetue as comparaes mltiplas entre as mdias de raas de Rhizobium pelo teste dms
de Fisher (=0,05). Apresente os resultados das comparaes efetuadas na forma usual
para testes de comparaes mltiplas.
2. A anlise da variao foi efetuada para os resultados de um experimento conduzido para

comparar os rendimentos de cinco variedades de milho. Os resultados parciais dessa anlise
e as mdias das variedades so dados a seguir:
Fonte de variao GL SQ QM
Variedade - - 747,50
Erro 20 3.600 -
Variedade: A B C D E
Mdia: 80 85 60 62 82 93
a) Complete a tabela da anlise da variao.

b) Mostre que o erro padro de uma mdia de cultivar 6,0.
c) Efetue as comparaes das cinco variedades de milho pelo teste da diferena mnima
significativa (dms) de Fisher no nvel de significncia = 0,05. ( apropriada a
utilizao deste teste na presente situao?) Apresente os resultados do teste em uma
tabela de mdias de tratamentos, na forma usual.
3. Efetue as comparaes entre as mdias das cultivares do experimento de que trata a questo
anterior pelos testes de Tukey e de Duncan, no mesmo nvel de significncia =0,05. Redija
suas observaes referentes s diferenas entre os resultados obtidos com o uso dos testes
dms de Fisher, de Duncan e de Tukey, considerando as caractersticas desses trs testes.
4. Considere os dados do Exerccio 3 da Seo 1.7, provenientes de um experimento que
estudou o efeito do intracruzamento sobre a incidncia de trevo vermelho. Efetue o teste de
Dunnett (=0,05) para a comparao do tratamento F1 com cada um dos demais
tratamentos: SI, F2 e F3. Apresente os resultados em uma tabela de mdias de tratamentos.
5. Suponha que um pesquisador deseja comparar a eficincia de quatro antibiticos -
Eritromicina, Bacitracina, Espiramicina e Neomicina sobre o desenvolvimento corporal de
sunos da raa Duroc no perodo entre o desmame e o abate, e que para esse propsito
dispe de seis ninhadas de quatro leites machos.
a) Classifique o fator desse experimento segundo as seguintes categorias: qualitativo
especfico estruturado e no estruturado, qualitativo ordenado, qualitativo amostrado e
quantitativo.
b) O fator nesse experimento fixo ou aleatrio? Justifique a resposta.
c) Indique o delineamento experimental mais apropriado para o experimento. Justifique a
resposta.
d) No caso da escolha de delineamento que imponha controle local, que varivel estranha
ele teria como propsito controlar.
e) Seria conveniente o controle estatstico de alguma varivel estranha nesse experimento?
Justifique a resposta.
f) Descreva como voc procederia a casualizao para o delineamento indicado em d).
g) Especifique a equao do modelo estatstico apropriado (expresso algbrica e
significado de seus smbolos).
h) Liste as pressuposies do modelo estatstico.

As estimativas das mdias dos tratamentos e da varincia casual providas pelo experimento
so dadas a seguir.
Mdia
Tratamento
(kg/animal)
1 - Eritromicina 26,0
2 - Bacitracina 39,0
3 - Espiramicina 32,0
4 - Neomicina 22,0
s2 = 68,8, com 15 graus de liberdade.
i) Reconstrua a tabela da anlise da variao para o experimento e efetue o teste de
significncia referente a efeitos de tratamentos.
j) A anlise estatstica efetuada no item anterior suficiente para prover todas as
informaes que o experimento visa fornecer referentes aos efeitos de tratamentos? Por
qu?
k) Efetue as comparaes mltiplas entre os quatro tratamentos pelo teste dms de Fisher
(=0,05). Apresente os resultados em uma tabela de mdias, com a notao usual, ou
seja, mdias que no diferiram significativamente abrangidas por uma mesma letra
minscula.
l) A aplicao de outro teste de comparaes mltiplas (testes de Duncan e de Tukey)
levaria, necessariamente, aos mesmos resultados obtidos no item anterior? Por qu?
Qual a relao entre esses trs testes no que diz respeito probabilidade do erro tipo I,
para um mesmo nvel nominal de significncia (=0,05, por exemplo).
6. Suponha que, alternativamente aos tratamentos selecionados para o experimento
considerado na questo 5, o pesquisador decide efetuar o experimento com trs antibiticos
(os trs primeiros daquele experimento) e um tratamento controle (sem antibitico), com o
mesmo material experimental.
a) Discuta a convenincia da incluso do tratamento controle.
b) Suponha que os resultados do experimento so os mesmos apresentados na questo 5,
onde os tratamentos so, agora, 1 - Eritromicina, 2 - Bacitracina, 3 - Espiramicina, 4 -
Controle. Efetue as comparaes de cada antibitico com o testemunha, pelo teste de
Dunnett. Apresente os resultados das comparaes em uma tabela de mdias e comente
a respeito da eficcia dos antibiticos no que se refere ao aumento de peso de sunos ao
abate.
7. Com base nos resultados do experimento de que trata o Exerccio 7 da Seo 1.6, defina e
construa os coeficientes de dois contrastes de interesse e teste-os pelo teste de Scheff.
2.9 Exerccios de Reviso
1. Que processo de deciso seria prefervel em cada uma das seguintes situaes:
a) O experimento tem como propsito selecionar as cinco cultivares superiores, quanto ao

desempenho, de um conjunto de vinte e cinco cultivares includas no experimento. O
teste de significncia (pela estatstica F) dos efeitos de cultivares foi significativo.
b) O experimento compreende dez tratamentos qumicos mais um controle e tem como
propsito comparar cada tratamento qumico com o controle. O teste de significncia
referente aos efeitos de tratamentos foi significativo.
c) O experimento tem como propsito comparar o melhor tratamento com o pior, a que
correspondero a maior e a menor mdia dos tratamentos observadas do experimento. O
teste de significncia global referente aos efeitos de tratamentos foi significativo.
d) O pesquisador deseja utilizar um procedimento de comparaes mltiplas de
tratamentos com uma taxa de erro por experimento.
e) O pesquisador deseja utilizar um procedimento de comparaes mltiplas de
tratamentos com uma taxa de erro por comparao.
f) Todas as comparaes a serem efetuadas so pr-planejadas. O pesquisador est
satisfeito com uma taxa de erro por comparao.
2. Defina um conjunto de contrastes ortogonais de interesse no experimento do exerccio 2 da
Seo 1.7 e efetue os correspondentes testes de significncia.
3. Considere o experimento de fertilizao do solo para a cultura do algodoeiro cujos dados de
dois locais de execuo so fornecidos no exerccio 4 da Seo 1.7.
a) Especifique os coeficientes correspondentes aos seguintes contrastes:
- Testemunha versus adubao;
- Dose 1 versus dose 2 de Nitrognio;
- Dose 1 versus dose 2 de Potssio, na dose 1 de Nitrognio;
- Dose 1 versus dose 2 de Potssio, na dose 2 de Nitrognio.
b) Verifique que esses quatro contrastes so ortogonais.
c) Efetue a decomposio da variao entre tratamentos nos componentes correspondentes
aos contrastes especificados no item a.
4. Um pesquisador distribuiu aleatoriamente 125 perus machos em cinco grupos de 25
animais e administrou a cada um dos grupos um dos seguintes diferentes nveis de estradiol:
0, 20, 40, 60 e 80 mg. As mdias observadas de ganho de peso ao abate foram,
respectivamente, 2,16, 2,45, 2,91, 3,00 e 2,71 kg. A soma de quadrados do erro para o
experimento foi 71,372. Efetue a anlise estatstica para verificar se o estradiol tem efeito
sobre o ganho de peso e, caso positivo, determine a dose tima de estradiol (isto , a dose
correspondente estimativa do peso de abate mximo).
5. Um experimento foi conduzido com o propsito de verificar o efeito do cido indolbutrico
(AIB) sobre o enraizamento de estacas lenhosas de pessegueiro, com os seguintes
tratamentos: 0, 1.000, 2.000, 3.000 e 4.000 ppm de AIB. Um conjunto uniforme de estacas
foi dividido em cinco subconjuntos a cada um dos quais foi aplicado um diferente
tratamento. Em cada parcela na rea experimental, foram plantadas 50 estacas com o
correspondente tratamento. O experimento foi conduzido com delineamento completamente
casualizado. O nmero de repeties e as estimativas da mdia e da varincia para cada
tratamento so dados a seguir:
Tratamento Nm. rep. y i. s i2

0 5 2,80 2,70
1.000 4 16,50 13,67
2.000 4 33,75 38,25
3.000 6 35,67 32,67
4.000 3 4,66 6,33
a) Especifique o modelo estatstico (equao algbrica e pressuposies) apropriado para o

experimento.
b) Especifique a hiptese estatstica (hipteses de nulidade e alternativa) correspondente
hiptese cientfica que o experimento visa testar, ou seja, "o AIB tem efeito sobre o
enraizamento de estacas lenhosas de pessegueiro".
c) Efetue a anlise da variao e o teste da hiptese especificada no item anterior.
d) Verifique que o QM Erro a mdia ponderada das estimativas das varincias
individuais dos cinco tratamentos, supostas iguais, tendo como peso os correspondentes
graus de liberdade. (Isso uma verificao, para os dados do experimento em
considerao, da seguinte propriedade geral para o delineamento completamente
casualizado: o QM Erro uma estimativa da varincia dentro de tratamentos.)
e) Efetue a decomposio da variao atribuvel a tratamentos em componentes
polinomiais ortogonais e determine o grau da curva polinomial que melhor se ajusta aos
dados com base nos testes de significncia desses componentes.
f) Efetue o ajustamento da curva polinomial determinada no item anterior.
6. Sessenta ratos foram utilizados em um experimento destinado a avaliar seis dietas. Foi
adotado o delineamento completamente casualizado com igual nmero de ratos para cada
dieta. Os tratamentos considerados no experimento e os correspondentes totais so dados na
tabela que segue:
Nvel de protena: Alto Baixo

Carne Carne Carne Carne
Tipo da dieta: Cereal Cereal
bovina suna bovina suna
Total: 1.000 859 995 792 839 787
H interesse nas seguintes comparaes de tratamentos:

(1) Nvel de protena alto versus baixo,
(2) Protena animal versus protena vegetal,
(3) Protena bovina versus protena suna,
(4) Homogeneidade da comparao de protena animal e vegetal para os dois nveis
de protena,
(5) Homogeneidade da comparao de nvel alto e nvel baixo de protena para as
duas protenas animais.
a) Prepare uma tabela dos coeficientes para essas cinco comparaes.
b) As comparaes de interesse constituem um conjunto ortogonal? Justifique a resposta.

c) Determine a soma de quadrados para a segunda comparao.
d) A soma de quadrados do erro 11,586. Qual o quadrado mdio.
e) Que tipo de concluso voc pode derivar do resultado da quarta comparao?
7. Decida se cada uma das seguintes sentenas verdadeira ou falsa, incluindo entre
parnteses as letras V ou F, respectivamente. Se a sentena for falsa, explique por que.
( ) Se a hiptese de nulidade rejeitada na anlise da variao, pode-se concluir que a
mdia do tratamento com a maior mdia amostral diferente das mdias de todos os
outros tratamentos.
( ) Procedimentos de comparaes mltiplas e contrastes ortogonais so mtodos de
discriminao da variao entre tratamentos em experimentos em que a hiptese de
nulidade rejeitada.
( ) Comparaes ortogonais podem ser usadas para decompor o quadrado mdio de
tratamentos em partes independentes cuja soma igual ao quadrado mdio de
tratamentos.
( ) Um conjunto de contrastes mutuamente ortogonais pode ser usado para fazer todas as
comparaes de mdias de tratamentos tomados dois a dois.
( ) O teste dms de Fisher o nico procedimento de comparao mltipla disponvel.
( ) comum incluir um conjunto de comparaes mltiplas de tratamentos no plano de
um experimento para o qual ser usada uma anlise de variao.
( ) Em uma anlise de variao, os dados de um tratamento testemunha devem ser
tratados de maneira diferente dos dados dos demais tratamentos.
( ) Em experimentos em que os tratamentos so nveis de um fator quantitativo deve-se
aplicar testes de comparaes mltiplas de mdias.
( ) O teste dms de Fisher no deve ser usado quando o teste F da hiptese de nulidade dos
efeitos de tratamentos no houver dado resultado significativo.
( ) O teste F usado para decidir se o teste de Duncan deve ser usado para comparaes
mltiplas de mdias de tratamentos.
( ) O teste de Dunnett independe do resultado do teste F.
( ) O teste dms de Fisher requer igual nmero de repeties dos tratamentos.
( ) A decomposio da variao entre tratamentos em contrastes ortogonais um
exemplo de procedimento de comparaes mltiplas de tratamentos.
3 Derivaes dos Delineamentos Simples
Contedo
3.1 Introduo .................................................................................................................. 115

3.2 Delineamento Blocos Casualizados Com Mais de Uma Repetio por bloco .......... 116
3.2.1 Caracterizao e usos ............................................................................................ 116
3.2.2 Vantagens e desvantagens ..................................................................................... 118
3.2.3 Casualizao .......................................................................................................... 119
3.2.4 Anlise estatstica .................................................................................................. 119
3.3 Delineamento Blocos Casualizados Com Mais de Uma Repetio Para
Alguns Tratamentos Por Bloco ................................................................................ 122
3.3.1 Introduo .............................................................................................................. 122
3.4 Repetio do Quadrado Latino .................................................................................. 127
3.4.1 Introduo .............................................................................................................. 127
3.4.2 Casualizao .......................................................................................................... 127
3.1 Introduo
Em geral, qualquer delineamento experimental pode ser considerado como uma

derivao ou extenso dos delineamentos experimentais simples, ou seja, dos delineamentos
completamente casualizado, blocos casualizados e quadrado latino. Ou seja, os demais
delineamentos experimentais so essencialmente partes ou composies decorrentes de
agregaes desses delineamentos.
Nesse Captulo tratar-se- de delineamentos que constituem derivaes ou extenses
simples desses delineamentos:
blocos casualizados com mais de uma repetio dos tratamentos em cada bloco,
mais usualmente designado blocos casualizados generalizados,
blocos casualizados com mais de uma repetio de alguns tratamentos em cada
bloco e
repetio de quadrado latino.
Esses delineamentos so muito frequentemente teis e seus procedimentos de

inferncia so extenses simples daqueles tratados no Captulo 2. Por essa razo, merecem
tratamento especial nesse Captulo.
3.2 Delineamento Blocos Casualizados Com Mais de Uma Repetio por

bloco
3.2.1 Caracterizao e usos
No delineamento blocos casualizados clssico, cada bloco inclui uma e apenas uma
repetio de cada tratamento, constituindo, portanto, uma repetio completa dos tratamentos.
O controle da heterogeneidade do material experimental logrado custa do sacrifcio de graus
de liberdade para a estimativa da varincia do erro. Assim, esse delineamento mais eficiente
do que o completamente casualizado quando e apenas quando o ganho com o controle da
heterogeneidade do material experimental pela formao de blocos supera a correspondente
perda de graus de liberdade do erro.
Essa considerao particularmente importante para experimentos com pequeno
nmero de tratamentos. Para a situao de dois tratamentos, por exemplo, a formao de blocos
de apenas duas unidades experimentais pode impor um controle local exagerado, se o material
experimental no extremamente heterogneo. Nessa situao, o controle local com a
formao de blocos completos pode conduzir a uma elevada perda de graus de liberdade do
erro no compensada pela reduo da variao do erro experimental. De fato, para doze
repeties, por exemplo, a imposio de controle local pela formao de blocos completos
implica na reduo dos graus de liberdade metade, isto , de 22 para 11, conforme os
esquemas de anlise de variao da Tabela 3.1.
Tabela 3.1. Esquemas das anlises de variao para experimento com dois
tratamentos e 24 unidades experimentais para os delineamentos
completamente casualizado e blocos casualizados.
Completamente casualizado Blocos casualizados

Fonte de variao GL Fonte de variao GL
Bloco 11
Tratamento 1 Tratamento 1
Erro 22 Erro 11
Total 23 Total 23
Essa ilustrao indica que a considerao de um meio termo entre a ausncia de

controle local e a formao de blocos completos pode ser mais adequada para experimentos de
poucos tratamentos. Isto significa o agrupamento de unidades experimentais em grupos de
unidades (blocos) com mais de uma repetio de cada tratamento. Tal delineamento consiste,
portanto, de um conjunto de blocos cada um dos quais compreendendo um pequeno
experimento completamente casualizado com igual nmero de repeties para todos os
tratamentos.
3. Derivaes dos Delineamentos Simples 117
Assim, para o exemplo de dois tratamentos cada um com doze repeties, agrupando
em cada bloco duas e trs repeties de cada tratamento, do que resultam seis e quatro blocos,
respectivamente, tm-se os dois esquemas de anlise de variao da Tabela 3.2.
Tabela 3.2. Esquemas das anlises de variao para experimento com

dois tratamentos e 24 unidades experimentais para os
delineamentos blocos casualizados com duas e trs
repeties por bloco.
Graus de liberdade
Fonte de variao Duas repeties Trs repeties
por bloco por bloco
Bloco 5 3
Tratamento 1 1
Erro 17 19
Total 23 23
Dessa forma, com duas repeties de cada tratamento por bloco, obtm-se um
aumento de 6 graus de liberdade para a estimativa da varincia do erro em relao ao
delineamento blocos casualizados. Em experimentos agrcolas de campo, por exemplo, de
esperar que blocos de quatro parcelas sejam, de modo geral, essencialmente to homogneos
quanto blocos de duas parcelas, de modo que o incremento de graus de liberdade obtido com
blocos de quatro parcelas deve conduzir a um aumento da sensibilidade do experimento. Com
trs repeties por bloco (portanto, seis parcelas por bloco), h um incremento adicional de 2
graus de liberdade, no to considervel como o anterior.
Com trs tratamentos e oito repeties, portanto, 24 unidades experimentais, os graus
de liberdade para os delineamentos completamente casualizado, blocos casualizados e blocos
casualizados com duas repeties por bloco so os apresentados na Tabela 3.3.
Tabela 3.3. Esquemas das anlises de variao para experimento com trs
tratamentos e 24 unidades experimentais, para os delineamentos
completamente casualizado, blocos casualizados e blocos casualizados
com duas repeties por bloco.
Graus de liberdade
Fonte de variao Blocos casual. com
Completamente Blocos
duas repeties
Casualizado casualizados
por bloco
Bloco - 7 3
Tratamento 2 2 2
Erro 21 14 18
Total 23 23 23
Assim, em experimentos com trs tratamentos, tambm pode ser conveniente o

agrupamento de mais de uma repetio de cada tratamento por bloco, pois, em muitas
situaes, blocos de seis unidades experimentais so essencialmente to homogneos quanto
blocos de trs unidades.
Observe-se que, com esse delineamento, o Erro composto pela interao entre
Tratamento e Bloco e pelo "erro puro", ou seja, o Erro compreende a variao entre repeties
dentro das combinaes de tratamentos e blocos. Esse fato mostrado na Tabela 3.4 que
apresenta os esquemas das anlises de variao para o exemplo da Tabela 3.3 e para a situao
genrica de r repeties de cada um de t tratamentos em cada um de b blocos.
Tabela 3.4. Esquema da anlise da variao para experimento em blocos

casualizados com mais de uma repetio por bloco, para o exemplo em
considerao (a) e para a situao genrica de r repeties por bloco
(b).
Graus de liberdade
Fonte de variao
(a) (b)
Bloco 3 b-1
Tratamento 2 t-1
Erro Tratamento x Bloco 6 (b-1)(t-1)
Rep./Tratamento e Bloco 12 (r-1)tb
Total 23 rtb-1
Dessa forma, o delineamento blocos casualizados com mais de uma repetio em cada
bloco permite inferncias referentes interao Tratamento x Bloco que em algumas
circunstncias podem ser importantes, como pode ocorrer quando Bloco representa uma fonte
de variao sistemtica. Tais inferncias no so providas pelo delineamento blocos
casualizados. A utilizao de mais de uma repetio de cada tratamento por bloco pode ser,
ento, uma alternativa conveniente.
3.2.2 Vantagens e desvantagens
As principais vantagens do delineamento blocos casualizados com mais de uma

repetio por bloco em relao aos delineamentos completamente casualizado e blocos
casualizados so sumariadas a seguir:
a) Efetua um nvel de controle local intermedirio entre aqueles propiciados pelos
delineamentos completamente casualizado e blocos casualizados. Esse nvel de controle local
pode ser adequado para situaes de pequeno nmero de tratamentos e material experimental
no exageradamente heterogneo.
b) Permite separar da estimativa da varincia do erro experimental a interao
Tratamento x Bloco, o que no propiciado pelo delineamento blocos casualizados. Isso
constitui uma vantagem em relao a este delineamento, em situaes em que essa interao
importante.
3.2.3 Casualizao
O delineamento blocos casualizados com mais de uma repetio por bloco um

delineamento em blocos em que cada bloco um pequeno delineamento completamente
casualizado. Dessa forma, a casualizao processa-se bloco por bloco; em cada bloco, os
tratamentos so atribudos s unidades experimentais de modo completamente aleatrio.
O processo de anlise estatstica uma extenso simples daquele para o delineamento

blocos casualizados, com as expresses adequadamente alteradas para levar em conta os
nmeros de unidades experimentais por tratamento e por bloco, respectivamente br e tr, e o
nmero total de unidades no experimento, rtb.
Exemplo 3.1. Para ilustrao, considere-se um experimento que teve como propsito a
comparao de dois mtodos de conduo da videira: 1 - Espaldeira sem poda e 2 - Sarilho
com poda. O experimento foi conduzido em blocos casualizados com duas repeties de cada
um desses dois tratamentos por bloco. A produo de cachos de uva, em hectogramas por
parcela de 7m2 (2 linhas de 6 plantas), apresentada no croqui do experimento, Figura 3.1.
Bloco 1 Bloco 2 Bloco 3

2 1 1 2 2 1 2 1 1 2 1 2
102 154 128 75 78 89 47 107 88 83 81 72
Bloco 4 Bloco 5 Bloco 6

1 2 2 1 1 2 2 1 2 1 1 2
114 84 76 72 94 38 62 63 66 104 73 73
Figura 3.1. Croqui do experimento do Exemplo 3.1, com a indicao

dos tratamentos e da produo de cachos de uva registrada
sobre as unidades experimentais.
Inicialmente, organizam-se os dados em uma tabela de dupla-entrada para tratamentos

e blocos, com as duas repeties em cada clula e os correspondentes totais das clulas (Tabela
3.5).
Tabela 3.5. Resultados do experimento do Exemplo 3.1 (produo de

cachos de uva, em hg/7m2), organizados em uma tabela de
dupla-entrada.
Bloco
Tratamento Soma
1 2 3 4 5 6
1 154 89 88 114 94 104
128 107 81 72 63 73
Soma 282 196 169 186 157 177 1.167
2 102 78 83 84 38 66
75 47 72 76 62 73
Soma 177 125 155 160 100 139 856
Soma 459 321 324 346 257 316 2.023
Anlise da variao
A anlise da variao procedida de modo semelhante quele para o delineamento

blocos casualizados, levando em conta que, agora, h r repeties para cada tratamento em cada
bloco. Portanto, os denominadores do termo de correo e das somas de quadrados no
corrigidas devem incluir o fator adicional r para que as somas de quadrados sejam referidas a
uma unidade experimental.
Os clculos para o os dados do Exemplo 3.1 so indicados a seguir:
1
C= 2.0232 = 170.522,04,
24
SQ Total = 1022+1542+...+732 - C =
= 185.105,00 170.522,04 = 14.582,96,
SQ Bloco = 1 (4592+3212+...+3162) - C =
4
= 176.079,75 - 170.522,04 = 5.557,71,
SQ Tratamento = 1 (1.1672+8562) - C =
12
= 174.552,08 - 170.522,04 = 4.030,04.
Pode-se, ento, completar a anlise da variao e efetuar o teste de significncia da

variao atribuvel a efeitos de tratamentos na tabela da anlise da variao, Tabela 3.6.
Tabela 3.6. Anlise da variao e teste de significncia dos efeitos de

tratamentos, para os dados de produo de cachos de uva do
Exemplo 3.1.

Bloco 5 5.557,71 -
Tratamento 1 4.030,04 4.030,042 13,715 0,0018
Erro 17 4.995,21 293,836
Total 23 14.582,96
Mdia geral: 84,29 hg/7m2.
CV: 20,34%.
Em algumas situaes, a interao Tratamento x Bloco pode ser de interesse ou uma

fonte de variao esperada importante. Nesse caso, a interao deve ser separada do Erro. A
soma de quadrados da interao Tratamento x Bloco a diferena entre a soma de quadrados
dos totais das clulas da tabela de dupla-entrada para tratamentos e blocos e a soma das somas
de quadrados das duas margens, ou seja, SQ Tratamento e SQ Bloco:
SQ Trat. x Bloco = SQ Trat. e Bloco - SQ Trat. - SQ Bloco =

1
= (2822+1962+...+1392) - C - 4.030,04 - 5.557,71 =
2
= 181.487,50 - 170.522,04 - 4.030,04 - 5.557,71 = 1.377,71.
Os resultados da anlise da variao e dos testes de significncia dos efeitos de

tratamentos e da interao Tratamento x Bloco esto na Tabela 3.7.
Tabela 3.7. Anlise da variao dos dados de produo de cachos de uva do

Exemplo 3.1, com a separao da interao Tratamento x Bloco do
Erro.

Bloco 5 5.557,71 -
Tratamento 1 4.030,04 4.030,042 14,626 0,0123
Tratam. x Bloco 5 1.377,71 275,542 0,914 0,5040
Erro 12 3.617,50 301,458
Total 23 14.582,96
Discriminao da variao entre tratamentos
Os procedimentos para discriminao da variao entre tratamentos so aplicados do

modo usual, com a observao de que h duas repeties de cada tratamento por bloco;
portanto, os totais e mdias de tratamentos so baseados em rb unidades experimentais. No
presente exemplo, como so dois os tratamentos, no h qualquer procedimento adicional a

aplicar. As mdias de tratamentos so apresentadas na Tabela 3.8.
Tabela 3.8. Produo mdia de cachos de uva para os dois

tratamentos do experimento do Exemplo 3.1.
Produo de cachos 1
Mtodo de conduo
(kg/ha)
Espaldeira sem poda 13.892
Sarilho com poda 10.190
1
As produes mdias dos dois tratamentos diferiram
significativamente (P=0,0123), pelo teste F.
3.3 Delineamento Blocos Casualizados Com Mais de Uma Repetio

Para Alguns Tratamentos Por Bloco
3.3.1 Introduo
Em algumas situaes, pode ser conveniente ou necessrio adotar mais de uma

repetio em cada bloco para alguns tratamentos. Isso pode ocorrer, por exemplo, em um
experimento em que contrastes envolvendo um tratamento testemunha sejam importantes. De
fato, por exemplo, na situao de homogeneidade de varincia, a varincia de um contraste de
duas mdias de tratamentos, C = y 1 y 2 , em que as mdias y 1 e y 2 so baseadas em r1 e r2
repeties, respectivamente, :
1 1
Var( y1 y 2 ) = + 2 .
r1 r2
Se o nmero de repeties comum para os dois tratamentos (r1 =r2 =r), a varincia desse
contraste :
2
= 2 ;
Var(C)
r
e, no caso em que o nmero de repeties de um dos tratamentos o dobro do outro, ou seja, r1
=r, r2 =2r, a expresso da varincia desse contraste torna-se:
2
= 3 .
Var(C)
r
Dessa forma, com a duplicao do nmero de repeties de um dos tratamentos, a
estimativa da varincia da diferena entre as duas mdias reduz-se de 1/4. Em um experimento
de 10 tratamentos, por exemplo, duplicando o nmero de repeties do testemunha, do que
resulta o aumento de 1/10 no tamanho do experimento, obtm-se a reduo de 1/4 na
estimativa da varincia da diferena entre as mdias do tratamento testemunha e de um dos
outros tratamentos. Isto significa um ganho de preciso considervel relativamente a um

pequeno aumento do tamanho do experimento.
Exemplo 3.2. Para ilustrao, considere-se um experimento que teve como objetivo o
estudo do parcelamento da fertilizao do solo com nitrognio para a cultura do trigo. O
experimento considerou duas fontes de nitrognio (salitre do Chile e sulfato de amnio) e trs
modos de parcelamento da aplicao do nitrognio (na base; 1/3 na base e 2/3 aos 45 dias; 1/3
na base e 2/3 aos 90 dias), mais um tratamento testemunha (sem adubao), constando dos
seguintes sete tratamentos:
1 - Testemunha
2 - Salitre do Chile - todo na base
3 - Salitre do Chile - 1/3 na base e 2/3 aos 45 dias
4 - Salitre do Chile - 1/3 na base e 2/3 aos 90 dias
5 - Sulfato de amnio - todo na base
6 - Sulfato de amnio - 1/3 na base e 2/3 aos 45 dias
7 - Sulfato de amnio - 1/3 na base e 2/3 aos 90 dias
Estes tratamentos so as combinaes de um esquema fatorial 2x3 (combinaes dos
dois nveis do fator Fonte de Nitrognio com os trs nveis do fator Parcelamento da
Adubao), mais um testemunha.
A produo de gros de trigo, em decagramas por parcela de 9m2, apresentada na
Tabela 3.9.
Tabela 3.9. Produo de gros de trigo do experimento do

Exemplo 3.2, em dag/parcela de 9m2.
Bloco
Tratamento Soma
1 2 3 4
1 78 100 98 102 768
90 121 85 94
2 144 138 104 129 515
3 141 129 145 146 561
4 95 127 112 125 459
5 105 119 107 125 456
6 130 130 122 171 553
7 118 104 101 122 445
Soma 901 968 874 1.014 3.757
Anlise da variao
O processo da anlise da variao semelhante quele para o delineamento blocos

casualizados, com as alteraes apropriadas nos denominadores do termo de correo e das
somas de quadrados no corrigidas, para levar em conta que o tratamento 1 - Testemunha tem
duas repeties em cada um dos blocos:
1
C= 3.7572 = 441.095,28,
32
SQ Total = 782+1002+...+1222 - C =
= 454.327,00 - 441.095,28 = 13.231,72,
SQ Bloco = 1 (9012+9682+...+1.0142) - C =
8
= 442.612,12 - 441.095,28 = 1.516,84,
SQ Tratamento = 1 7682 + 1 (5152+5612+...+4452) - C =

8 4
= 73.728,00 + 375.599,25 - 441.095,28 = 8.231,97.
A anlise da variao e o teste de significncia dos efeitos de tratamentos so

completados na Tabela 3.10.
Tabela 3.10. Anlise da variao e teste de significncia dos efeitos de tratamentos,

para os dados do Exemplo 3.2.

Bloco 3 1.516,84
Tratamento 6 8.231,97 1.371,995 8,666 < 0,0001
Erro 22 3.482,91 158,314
Total 31 13.231,72
CV: 10,72%.
A aplicao de procedimentos para discriminao da variao entre tratamentos deve

levar em conta os diferentes nmeros de repeties dos tratamentos.
No experimento do Exemplo 3.2, os tratamentos compreendem um esquema fatorial
2x3 mais um tratamento testemunha. Supondo que o tratamento testemunha visou verificao
da eficcia da adubao com nitrognio, a variao entre tratamentos, com 6 graus de
liberdade, pode ser decomposta em um contraste referente ao efeito global da adubao e em

outros trs componentes referentes aos efeitos principais e interao dos fatores Fonte de
Nitrognio e Parcelamento da Adubao. A anlise da variao correspondente e os testes de
significncia desses componentes so apresentados na Tabela 3.11.
Tabela 3.11. Anlise da variao e testes de significncia, com a discriminao da

variao entre tratamentos, para os dados do Exemplo 3.2.

Bloco 3 1.516,84
(Tratamento) (6) (8.231,97)
Testem. v. Adubao 1 4.887,76 4.887,760 30,874 < 0,0001
Fonte 1 273,38 273,375 1,727 0,2023
Parcelam. 2 2.876,58 1.438,292 9,085 0,0013
Fonte x Parcelam. 2 194,25 97,125 0,613 0,5507
Erro 22 3.482,91 158,314
Total 31 13.231,72
As produes mdias dos tratamentos com adubao com Nitrognio e do tratamento

sem adubao so apresentadas na Tabela 3.12. As produes mdias de gros de trigo para as
trs pocas de aplicao da segunda parcela de 2/3 da adubao, para as duas fontes de
Nitrognio, esto na Tabela 3.13.
Tabela 3.12. Produes mdias das parcelas com adubao com

Nitrognio e sem adubao, no experimento do Exemplo
3.2.
Adubao com Produo de gros 1

Nitrognio (kg/ha)
Com 1.383,8
Sem 1.066,7
1
As produes mdias das parcelas com e sem
adubao com N diferiram significativamente
(P<0,0001).
Tabela 3.13. Produo mdia de gros de trigo, em kg/ha, para as trs

pocas de parcelamento da adubao e as duas fontes de
N do experimento do Exemplo 3.2.
poca de parcelamento
Fonte de N Global
Base 45 dias 90 dias
Salitre do Chile 1.430 1.558 1.275 1.421
Sulfato de amnio 1.267 1.536 1.236 1.346
Global 1.349 1.547 1.256 1.384
O efeito principal do fator Fonte de Nitrognio e a interao Fonte x Parcelamento no

foram significativos. O fator Parcelamento da Adubao quantitativo. De fato, seus nveis se
distinguem pela segunda parcela de 2/3 do adubo, aplicada em cobertura: 1 - 0 dias (base), 2 -
45 dias, 3 - 90 dias. Dessa forma, pode-se tentar aproximar a relao entre a produo de gros
e o fator Parcelamento por duas curvas polinomiais paralelas, uma para cada Fonte de
Nitrognio.
Os testes de significncia para o ajustamento de curva de resposta polinomial so
efetuados na Tabela 3.14.
Tabela 3.14. Testes de significncia para o ajustamento de curva de resposta

polinomial poca de adubao em cobertura, para o

Compon. linear 1 280,56 280,56 1,772 0,1968
Compon. quadrtico 1 2.596,02 2.596,02 16,398 0,0005
Erro 22 3.482,91 158,314
Como o componente quadrtico foi significativo, as duas curvas polinomiais paralelas

que melhor se ajustam resposta da produo de gros de trigo em relao poca de
aplicao do parcelamento de 2/3 da adubao com Nitrognio so quadrticas. As equaes
dessas curvas so as seguintes:
y1 = 1386,1 + 0,8875 x - 0,0109 x2 e
y2 = 1311,1 + 0,8875 x - 0,0109 x2,
respectivamente para salitre do Chile e sulfato de amnio, onde x o nmero de dias aps o
plantio e y a produo de gros, em kg/ha. Pode-se verificar que a data de aplicao em
cobertura da parcela de 2/3 do adubo que corresponde s produes mximas estimadas,
1.404,2 e 1.329,2 kg/ha, respectivamente para salitre do Chile e sulfato de amnio, 40,71
41 dias aps o plantio.
3.4 Repetio do Quadrado Latino
3.4.1 Introduo
Uma desvantagem do delineamento quadrado latino que ele prov um nmero de

graus de liberdade relativamente pequeno para a estimativa da varincia casual. Esse nmero de
graus de liberdade torna-se demasiadamente baixo para experimentos com poucos tratamentos.
Para os quadrados latinos 3x3 e 4x4, h apenas 2 e 6 graus de liberdade para o Erro,
respectivamente, enquanto que o quadrado latino 2x2 no prov graus de liberdade para o Erro.
Nessas circunstncias, se desejvel o controle local duplo provido pelo quadrado latino deve-
se utilizar um delineamento com duas ou mais repeties do quadrado latino.
Diversos modos alternativos de repetio do quadrado latino podem ser adotados.
Assim, por exemplo, para um experimento de degustao de vinho com trs tratamentos -
mtodos de preparo - em que filas e colunas correspondem a provadores e ordem de
degustao, os seguintes esquemas alternativos de repetio do quadrado latino 3x3 podem ser
considerados:
1 - Adotar os mesmos provadores e as mesmas ordens de degustao em todas as
repeties.
2 - Adotar os mesmos provadores, mas diferentes ordens de degustao nas repeties,
ou as mesmas ordens de degustao e diferentes provadores.
3 - Adotar diferentes provadores e diferentes ordens de degustao.
3.4.2 Casualizao
A casualizao efetuada separada e independentemente para cada um dos quadrados;

para cada um destes, pelo procedimento apropriado para o delineamento em quadrado latino.
As estruturas dos delineamentos so diferentes para os trs esquemas alternativos de

repetio do quadrado latino, do que resultam, como consequncia, diferentes procedimentos
de anlise estatstica.
Anlise da variao
Suponha-se um experimento em quadrado latino repetido com t tratamentos e q

repeties do quadrado latino; portanto, qt2 unidades experimentais. Denote-se por yijkl a
observao na parcela com o tratamento i na fila j e coluna k da repetio l. O esquema da
anlise da variao para cada uma das trs situaes indicado a seguir.
Situao 1 - Mesmas filas e mesmas colunas em todos os quadrados. Nesta situao,
h q quadrados, t filas e t colunas no experimento. Portanto, a SQ Quadrado, a SQ Fila e a SQ
Coluna so obtidas a partir dos totais dos q quadrados, das t filas e das t colunas,
respectivamente. A anlise da variao , ento, procedida segundo o esquema da Tabela 3.15.
Tabela 3.15. Esquema da anlise da variao para experimentos em

quadrado latino repetido, com mesmas filas e mesmas
colunas.
Fonte de variao GL SQ 1
y...2 l C
q
1
Quadrado q-1 2
t l=1

1 t
Fila t-1 y.2j .. C
qt j=1
y...2 k . C
1 t
Coluna t-1
qt k=1

1 t
Tratamento t-1 yi2... C
qt i=1
Erro (t-1)[q(t+1)-3] Por diferena
yijkl
q t t
2
Total qt2-1 C
l=1 j=1 k =1
1
C= yijkl
2
2
q t t
qt l=1 j=1 k=1

1
Os quadrados mdios so obtidos do modo usual: para cada fonte de variao, o

quadrado mdio a razo entre as correspondentes soma de quadrados e graus de liberdade.
Usualmente, Quadrado, Fila e Coluna no representam fontes de variao de interesse
particular na pesquisa. Nessas circunstncias, seus quadrados mdios no precisam ser
determinados. Pela mesma razo, comumente h interesse em inferncias apenas com
referncia a Tratamento. Um teste de significncia da variao atribuvel a Tratamento
provido pela estatstica F= QM Tratamento/QM Erro, que tem distribuio F com t-1 e graus
de liberdade, onde o nmero de graus de liberdade do Erro.
Os esquemas das anlises da variao para as duas outras situaes referentes s
relaes entre filas e entre colunas dos quadrados so semelhantes, com as alteraes dos
significados das fontes de variao relativas a filas e colunas e das correspondentes expresses
das somas de quadrados e dos graus de liberdade, e dos graus de liberdade do Erro.
Situao 2 - Mesmas colunas e diferentes filas nos quadrados. Nessa situao, h q
quadrados, t filas dentro de cada um dos q quadrados e t colunas. Portanto, a fonte de variao
correspondente a Fila exprime a variao entre filas dentro dos q quadrados. Dessa forma, ela
deve ser obtida a partir dos totais das qt filas do experimento, como segue:
SQ Fila(Quadrado) = t y .2j . l 2 y...2 l ,

q t q
1 1
l j t l
GL Fila(Quadrado) = q(t-1) e GL Erro = (t-1)(qt-1).

Situao 3 - Diferentes colunas e diferentes filas nos quadrados. Ento, h q
quadrados, t filas dentro de cada um dos q quadrados e t colunas dentro de cada um dos q
quadrados. As fontes de variao relativas a Fila e a Coluna exprimem, agora, a variao entre
filas dentro dos q quadrados e a variao entre colunas dentro dos q quadrados,
respectivamente:
SQ Fila(Quadrado) = t y . j . l 2 y...2 l ,
1 q t 2 1 q
l j t l
SQ Coluna(Quadrado) = t y..2 kl 2 y...2 l ,

q t q
1 1
l j t l
GL Fila(Quadrado) = q(t-1), GL Coluna(Quadrado) = q(t-1) e

GL Erro = (q-1)(qt-1).
Se a interao Tratamento x Quadrado importante, a variao que lhe atribuvel
pode ser separada da estimativa da variao casual. O esquema da anlise da variao para a
Situao 1, por exemplo, o apresentado na Tabela 3.16.
Tabela 3.16. Esquema da anlise da variao para experimentos

em quadrado latino repetido, com a separao da
interao Tratamento x Quadrado do Erro.
Fonte de variao GL
Quadrado q-1
Fila t-1
Coluna t-1
Tratamento t-1
Tratam. x Quadrado (t-1)(q-1)
Erro (t-1)(qt-2)
Total qt2-1
As expresses das somas de quadrados so aquelas mesmas da Situao 1, exceto a

SQ Tratamento x Quadrado, que obtida a partir da soma de quadrados dos tq totais das
combinaes de tratamentos e quadrados (de uma tabela de dupla-entrada para tratamentos e
quadrados), como: SQ Tratamento x Quadrado = SQ Tratamento e Quadrado - SQ Tratamento
- SQ Quadrado. A SQ Erro obtida por diferena.
Exemplo 3.3. Para ilustrao, considere-se um experimento agrcola de campo que
teve como objetivo a comparao de cinco variedades tardias de trigo: 1 - Vila Velha, 2 -
Curitiba, 3 - Passo Fundo, 4 - Iassul e 5 - S.1, em duas pocas de plantio. O experimento foi
conduzido em dois quadrados latinos 5x5, um para cada poca de plantio. Os resultados do
experimento (produo de gros de trigo, em dag/5m2 ), registrados sobre o croqui do
experimento, so apresentados na Figura 3.2.
poca 1 poca 2
Coluna Coluna
Fila 1 2 3 4 5 Soma Fila 6 7 8 9 10 Soma
1 3 4 5 2 3 5 4 2 1
1 393 6
61 29 75 134 94 65 141 108 121 95 530
4 5 3 2 1 1 3 5 4 2
2 361 7
70 120 35 83 53 90 90 116 141 117 554
5 2 1 3 4 4 1 2 5 3
3 343 8
133 86 57 16 51 149 111 109 117 72 558
3 1 2 4 5 2 4 3 1 5
4 422 9
38 65 96 91 132 128 106 90 120 133 577
2 4 5 1 3 5 2 1 3 4
5 477 10
111 89 138 93 46 142 110 95 97 128 572
Soma 413 389 401 417 376 1.996 Soma 574 558 518 596 545 2.791
Figura 3.2. Resultados (produo de gros, em dag/5m2) do experimento de

comparao de variedades tardias de trigo, em duas pocas de plantio.
As anlises de variao separadas para as pocas 1 e 2 so apresentadas na Tabela

3.17 e na Tabela 3.18.
Tabela 3.17. Anlise da variao dos dados do experimento do Exemplo 3.3,

poca 1.

Fila 4 2.245,76 -
Coluna 4 230,56 -
Tratamento 4 26.451,76 6.612,940 106,477 < 0,0001
Erro 12 745,28 62,107
Total 24 29.673,36
CV: 9,87%.
Tabela 3.18. Anlise da variao dos dados do experimento do Exemplo 3.3,

poca 2.

Fila 4 271,36 -
Coluna 4 693,76 -
Tratamento 4 7.486,16 1.871,54 8,048 0,0021
Erro 12 2.790,48 232,54
Total 24 11.241,76
CV: 13,66%.
Uma questo para a anlise conjunta dos quadrados a homogeneidade da varincia

do erro experimental dos dois quadrados. No presente caso, as estimativas de varincia foram
62,107 e 232,54, respectivamente para a primeira e segunda pocas. Como o quociente entre a
maior e a menor das duas estimativas inferior a sete, ou seja, 232,54/62,107 = 3,74, a hiptese
de homogeneidade de varincia pode ser aceita.
Neste exemplo, no h relao entre as filas e entre as colunas dos dois quadrados.
Trata-se, portanto, da Situao 3. Para a execuo da anlise da variao conjunta das duas
pocas, necessita-se de uma tabela auxiliar de dupla-entrada com os totais dos tratamentos para
cada uma das duas pocas, Tabela 3.19.
Tabela 3.19. Totais dos tratamentos nas pocas 1 e 2, no

poca
Variedade Soma
1 2
1 329 511 840
2 470 585 1.055
3 164 414 578
4 376 632 1.008
5 657 649 1.306
Soma 1.996 2.791 4.787
As somas de quadrados so determinadas a seguir:

1
C= 4.7872 = 458.307,38,
50
SQ Total = 612+292+...+1282- C =
= 511.863,00 - 458.307,38 = 53.555,62,
1
SQ poca = (1.9962+2.7912) - C =
25
= 470.947,88 - 458.307,38 = 12.640,50,
1
SQ Fila(Quadrado) = (3932+3612+...+5722) - C =
5
= 460.824,50 - 458.307,38 = 2.517,12,
1
SQ Coluna(Quadrado) = (4132+3892+...+5452) - C =
5
= 459.231,70 - 458.307,38 = 924,32,
1
SQ Variedade = (8402+1.0552+1.3062) - C =
10
= 487.440,90 - 458.307,38 = 29.133,52,
1
SQ Var.x poca = (3292+5112+...+6492) - C - SQ Variedade - SQ poca =
5
= 504.885,80 - 458.307,38 - 29.133,52 - 12.640,50 = 4.804,40.
Observe-se que essas somas de quadrados, exceto a SQ Tratamento, podem ser obtidas
a partir das somas de quadrados j determinadas nas anlises individuais dos dois quadrados
latinos, pela subtrao do termo de correo global da soma das somas de quadrados no
corrigidas para os dois quadrados. A anlise da variao e os testes de significncia so
completados na prpria tabela da anlise da variao, Tabela 3.20.
Tabela 3.20. Anlise da variao conjunta dos dois quadrados latinos do

experimento de duas pocas de plantio, Exemplo 3.3.

poca 1 12.640,50 -
Fila(poca) 8 2.517,12 -
Coluna(poca) 8 924,32 -
Variedade 4 29.133,52 7.283,38 49,438 < 0,0001
Variedade x poca 4 4.804,40 1.201,10 8,153 0,0003
Erro 24 3.535,76 147,32
Total 49 53.555,62
2
CV: 12,68%.
A discriminao da variao entre tratamentos procedida do modo usual, levando em

conta que o nmero de unidades experimentais que contribuem para cada mdia de tratamento
tr. No caso em que quadrado constitui um fator importante ou de interesse, como na situao
do Exemplo 3.3, o esquema fatorial Tratamento x Quadrado deve ser levado em conta. Nessas
circunstncias, o procedimento a seguir deve levar em conta a presena ou no de significncia
da interao Tratamento x Quadrado. Se essa interao no significativa, pode-se concluir
separadamente para cada um dos fatores Tratamento e Quadrado. Se, entretanto, a interao
significativa, deve proceder-se ao estudo da interao apropriado aos objetivos do experimento.
Exemplo 3.3 (continuao). Como no Exemplo 3.3 a interao foi significativa, deve
proceder-se as comparaes mltiplas de variedades, separadamente para cada uma das duas
pocas. Para ilustrao, adotar-se- o teste dms de Fisher. Como a variao atribuvel a efeitos
de variedades foi significativa nas duas pocas, para cada poca, a diferena de duas mdias de
variedades declarada significativa (=0,05) se for superior, em valor absoluto, a:
dms = t(,) 2s 2 / r , s2 = QM Erro, com graus de liberdade.

Tem-se:
2147, 32
sd = = 7,676 e t(24;0,05) = 2,064;
5
donde:
dms = 2,064 x 7,676 = 15,84.
As comparaes entre as cinco variedades so, ento, procedidas para a poca 1 e a
poca 2, separadamente. Os resultados so apresentados na Tabela 3.21.
Tabela 3.21. Produes mdias das cinco variedades de trigo, em cada

uma das duas pocas de plantio, Exemplo 3.3.
Produo de gros (kg/ha) 1

Variedade
poca 1 poca 2
1 Vila Velha 1.316 c 2.044 b
2 Curitiba 1.880 b 2.340 ab
3 Passo Fundo 656 d 1.656 c
4 Iassul 1.504 c 2.528 a
5 S.1 2.628 abcd 2.596 a
1
Em cada poca, variedades cujas mdias no so
seguidas de uma mesma letra distintas diferiram
significativamente, pelo teste dms de Fisher (=0,05).
4 Experimentos Fatoriais
Contedo
4.1 Caracterizao ........................................................................................................... 135

4.2 Usos de Experimento Fatorial ................................................................................... 136
4.3 Vantagens e Desvantagens de Experimento Fatorial ................................................ 136
4.4 Notao ...................................................................................................................... 137
4.5 Classificao de Experimentos Fatoriais ................................................................... 137
4.6 Conceitos Importantes ............................................................................................... 137
4.7 Modelo Estatstico ..................................................................................................... 138
4.8 Anlise Estatstica ..................................................................................................... 139
4.9 Experimentos Fatoriais 2 x 2 ..................................................................................... 140
4.9.1 Efeitos simples, efeitos principais e interao dos fatores .................................... 140
4.9.2 Estimao dos parmetros e dos efeitos simples, efeitos principais e interao ... 143
4.9.3 Anlise da variao e testes de significncias ....................................................... 146
4.9.3.1 Fatorial 2x2 sem interao ................................................................................ 146
4.9.3.2 Fatorial 2x2 com interao ................................................................................ 150
4.10 Experimentos Fatoriais 2x2x2 ................................................................................... 154
4.11 Experimentos fatoriais com fatores de mais de dois nveis....................................... 160
4.11.1 Dois fatores qualitativos especficos ................................................................. 160
4.11.2 Um fator quantitativo e um fator qualitativo especfico .................................... 168
4.11.3 Dois fatores quantitativos .................................................................................. 174
4.12 Exerccios .................................................................................................................. 178
4.1 Caracterizao
Experimento fatorial um experimento com dois ou mais fatores. Nesse caso, os
tratamentos so as combinaes dos nveis dos fatores no experimento e constituem um
esquema fatorial. O processo de escolha e arranjamento de fatores e correspondentes nveis
para o experimento designado delineamento de tratamento.
Um experimento fatorial pode adotar qualquer delineamento experimental, desde que
apropriado para as condies especficas em que conduzido. Dessa forma, as condies para
a conduo de um experimento fatorial em um delineamento simples so as mesmas
consideradas anteriormente para experimentos unifatoriais. Entretanto, alguns delineamentos
experimentais so especialmente apropriados para experimentos fatoriais. Alguns desses
delineamentos sero considerados no prximo captulo.
4.2 Usos de Experimento Fatorial

Experimentos fatoriais so apropriados para as seguintes situaes gerais:
1) Experimentos exploratrios, para determinar, rapidamente, os efeitos de cada um de
um nmero relativamente elevado de fatores sobre caractersticas de interesse de um sistema.
Em reas novas de pesquisa, algumas vezes so conduzidos experimentos com nmero elevado
de fatores, cada um em dois nveis, para seleo dos fatores mais importantes para ulterior
pesquisa em experimentos mais detalhados, unifatoriais ou com poucos fatores.
2) Experimentos com propsito de recomendaes para ampla faixa de condies. Em
experimentos com um nico fator principal pode ser conveniente incluir fatores adicionais para
ampliar a base para as inferncias que sero derivadas.
3) Estudo das interaes entre os efeitos de vrios fatores. Muito frequentemente, a
resposta a um fator depende do nvel de um ou mais dos outros fatores no experimento, o que
caracteriza a interao de fatores. A interao de fatores no pode ser determinada em
experimentos unifatoriais separados, pois em cada experimento unifatorial os demais "fatores"
esto presentes em um nico nvel.
4.3 Vantagens e Desvantagens de Experimento Fatorial

Relativamente a experimentos unifatoriais separados com os mesmos fatores, o
experimento fatorial apresenta as seguintes vantagens e desvantagens:
Vantagens
- Permite o estudo de interaes, que inviabilizado em experimentos separados.

- Economiza tempo e recursos, especialmente materiais.
- Amplia a base de inferncia, o que pode significar maior proximidade entre a
populao amostrada e a populao objetivo da pesquisa.
- Aumenta a preciso do experimento, em decorrncia do maior tamanho de um
experimento nico em relao aos tamanhos de experimentos isolados. Ademais, a preciso de
inferncias referentes a efeitos separados de fatores e de interaes de fatores tambm
aumentada pela presena de "repeties escondidas".
Desvantagens
- Aumenta o tamanho do experimento, o que muitas vezes inviabiliza a desejvel

execuo de experimentos com todos os fatores de interesse com interaes esperadas.
- Aumenta a complexidade do experimento. Essa caracterstica no propriamente
uma desvantagem do experimento fatorial, mas uma dificuldade inerente ao sistema sob
pesquisa.
- Dificulta a interpretao dos resultados, em decorrncia da presena de interaes.
Na realidade, essa circunstncia tambm inerente complexidade dos sistemas objeto da
pesquisa, que implica na adoo de experimento fatorial. Essa dificuldade torna-se maior
quanto mais elevado o nmero de fatores no experimento. Interaes de ordem mais
elevadas, ou seja, que envolvem maior nmero de fatores so usualmente de interpretao
muito difcil. Felizmente, muito frequentemente, interaes de menor nmero de fatores so as
mais importantes e interaes de muitos fatores so irrelevantes.
4. Experimentos Fatoriais 137
4.4 Notao
Um fator denotado por uma letra maiscula - uma das primeiras letras maisculas do
alfabeto ou a inicial maiscula do nome do fator; ou seja, por: A, B, C,..., ou por N e P,
respectivamente para os fatores nitrognio e fsforo, por exemplo.
Um nvel de um fator denotado pelo smbolo correspondente do fator com um ndice
especfico; por exemplo, A1 indica o nvel 1 do fator A. O nmero de nveis de um fator
denotado pela letra minscula que corresponde ao smbolo do fator; assim, por exemplo, o
nmero de nveis do fator A denotado por a.
Uma combinao de nveis denotada pela justaposio dos correspondentes
smbolos dos nveis de cada um dos fatores. Assim, por exemplo, a combinao do nvel 1 do
fator A com o nvel 2 do fator B denotada por A1B2.
comum denotar uma estrutura fatorial de condies experimentais pelos smbolos
dos fatores justapostos intercalados pela letra minscula "x". Assim, por exemplo, uma
estrutura fatorial de dois fatores A e B denotada por AxB.
Tambm usual designar um experimento com estrutura fatorial pela indicao do
produto dos nmeros de nveis dos fatores. Assim, um experimento fatorial com dois fatores A
e B um fatorial axb. um experimento particular com dois fatores Rao e Sexo,
respectivamente com trs e dois nveis, um fatorial 3x2; um experimento com dois fatores
Nitrognio e Fsforo cada um com trs nveis um fatorial 3x3, ou 32.
4.5 Classificao de Experimentos Fatoriais

De modo mais genrico, os experimentos fatoriais podem ser classificados quanto s
combinaes dos nveis dos fatores presentes no experimento. Um experimento fatorial
denominado completo se todas as combinaes dos nveis dos fatores esto presentes no
experimento. incompleto, se as combinaes de nveis presentes no experimento so parte
das combinaes dos nveis dos fatores, ou seja, se uma ou mais das combinaes so omitidas
no experimento.
Os experimentos fatoriais completos so algumas vezes classificados quanto ao
nmero de fatores e ao nmero dos correspondentes nveis, nas seguintes categorias:
Srie 2n - n fatores cada um em dois nveis. Essa categoria compreende os esquemas
fatoriais com dois ou mais fatores em que todos os fatores consistem de dois nveis; ou seja, os
fatoriais 2x2, 2x2x2, etc.
Srie 3n - n fatores cada um em trs nveis. Compreende os esquemas fatoriais com
todos os fatores de trs nveis, ou seja, os fatoriais 3x3, 3x3x3, etc.
Fatoriais mistos. Essa categoria inclui os esquemas fatoriais em que os fatores no
apresentam o mesmo nmero de nveis. Por exemplo, o esquema fatorial de dois fatores, um
fator com trs nveis e o outro com quatro nveis, ou seja, o fatorial 3x4.
4.6 Conceitos Importantes

Em um experimento com dois fatores A e B cada um com dois nveis, a variao do
valor populacional mdio da varivel resposta entre os nveis do fator A para um dos nveis
especficos do fator B, seja B1, denominada efeito simples do fator A para o nvel 1 do fator
B e denotada por A|B1. Semelhantemente, pode-se definir o efeito simples do fator A para o
nvel 2 do fator B, denotada por A|B2, e o efeito simples do fator B para cada um dos dois
nveis do fator A, ou seja, B|A1 e B|A2.
O efeito principal do fator A, denotado pelo mesmo smbolo do fator, neste caso A,
a variao da resposta populacional mdia aos nveis do fator A globalmente para os dois
nveis do fator B. O efeito principal do fator B a variao da resposta populacional mdia
entre os nveis deste fator, globalmente para os dois nveis do fator A.
Esses conceitos estendem-se para esquemas fatoriais com mais de dois fatores e com
fatores de mais de dois nveis. Assim, para um esquema fatorial de trs fatores A, B e C, com a,
b e c nveis, respectivamente, pode-se definir o efeito simples do fator A para uma combinao
de nveis particular dos fatores B e C, seja B1C2, como a variao da resposta populacional
entre os nveis do fator A para a combinao B1C2, denotado por A|B1C2, ou para um nvel
especfico do fator B, seja B1, globalmente para os c nveis do fator C, denotado por A|B1, ou
para um nvel especfico do fator C, seja C2, globalmente para os b nveis do fator B, denotado
por A|C2. O efeito principal do fator A a variao da resposta populacional entre os nveis
deste fator globalmente para as bc combinaes dos nveis dos fatores B e C.
A interao de dois fatores A e B cada um com dois nveis, denotada por AxB, a
variao da resposta populacional ao fator A quando muda o nvel do fator B, ou,
reciprocamente, a variao da resposta populacional ao fator B quando muda o nvel do fator
A. A interao corresponde variao do efeito simples de um fator entre os nveis do outro
fator. Quando o efeito simples de um fator no varia entre os nveis do outro fator, a interao
AxB nula, ou inexistente.
O conceito de interao de dois fatores estende-se para interao de trs fatores como
segue: A interao de trs fatores A, B e C, denotada por AxBxC, a variao da interao
AxB quando muda o nvel do fator C, ou a variao da interao AxC quando muda o nvel do
fator B, ou, ainda, a variao da interao BxC quando muda o nvel do fator A. Dessa forma,
o conceito de interao recproco. Ele se estende, de modo geral, para qualquer nmero de
fatores, recursivamente, ou seja: a interao de n fatores a variao da interao de qualquer
de seus subconjuntos de n-1 fatores quando muda o nvel do fator restante.
Em um experimento fatorial, a derivao de inferncias referentes aos efeitos dos
fatores depende da presena ou ausncia de interao. Na situao de ausncia de interao, os
fatores agem independentemente sobre a varivel resposta, de modo que se pode inferir sobre a
variao da resposta a um dos fatores independentemente do nvel do outro fator. Entretanto,
na presena de interao, as inferncias sobre um dos fatores dependem do nvel do outro fator.
4.7 Modelo Estatstico

O modelo estatstico para um experimento fatorial o mesmo modelo bsico para
experimento unifatorial, que depende do delineamento adotado, com a substituio do termo
que representa o efeito de tratamento por uma soma de termos que representam os efeitos
principais e as interaes dos fatores.
Assim, por exemplo, em um experimento com dois fatores A e B, o efeito de uma
condio experimental tij (combinao do nvel i do fator A com o nvel j do fator B)
decomposto nos efeitos principais e na interao dos fatores A e B, ou seja: tij = ai + bj + abij.
Ento, a equao do modelo estatstico para um experimento com dois fatores fixos A e B com
delineamento completamente casualizado :
yijk = m + a i + b j + abij + eijk , i=1,2,...,a, j=1,2,...,b, k=1,2,...,r,
onde a e b so os nmeros de nveis dos fatores A e B, respectivamente, r o nmero de

repeties comum para todas as condies, ai o efeito diferencial esperado do fator A, bj o
efeito diferencial esperado do fator B e abij o efeito esperado da interao dos dois fatores.
Os termos ai, bj e abij tm a mesma pressuposio do termo referente a fator de
tratamento fixo de experimento unifatorial, ou seja, so constantes populacionais
desconhecidas (parmetros). As pressuposies referentes mdia geral esperada m e ao erro
experimental eijk permanecem as mesmas de experimento unifatorial: m um parmetro da
populao e eijk (i=1,2,...,a, j=1,2,...,b, k=1,2,...,r) uma varivel aleatria tal que E(eijk)=0,
Var(eijk)=2 e e Cov(eijk, eijk)=0 para quaisquer duas unidades experimentais distintas.
Por convenincia, adotam-se as seguintes condies para os parmetros:
a1 + a2 + ... + aa = 0;
b1 + b2 + ... + bb= 0;
abi1 + abi2 + ... + abib = 0, i=1,2,...,a;
ab1j + ab2j + ... + abaj = 0, j=1,2,...,b.
Essas condies implicam que a mdia populacional da varivel resposta na unidade
com a condio experimental correspondente combinao do nvel i do fator A com o nvel j
do fator B, denotada por mij, :
m ij = E ( y ijk ) = m + a i + b j + abij , i=1,2,...,a, j=1,2,...,b, k=1,2,...,r,
j que: E(m) = m, E(ai) = ai, E(bj) = bi, E(aibj) = aibj e E(eij)= 0. Ento, as mdias populacionais
da varivel resposta nas unidades o nvel i do fator A e com o nvel j do fator B, denotadas por
mi . e m . j , respectivamente, so:
m i . = E ( yi .. ) = m + a i , i=1,2,...,a, e
m . j = E ( y . j . ) = m + b j , j=1,2,...,b.
Em algumas situaes, que no sero consideradas neste texto, os fatores podem ser
aleatrios, ou alguns fixos e outros aleatrios.
4.8 Anlise Estatstica

A estimao dos parmetros procedida pelo mtodo de quadrados mnimos. Os
estimadores dos parmetros, em geral, so funes das mdias da amostra para os nveis e as
combinaes dos nveis dos fatores e da mdia geral da amostra. A forma da expresso desses
estimadores ilustrada na Seo 4.9.2 para a situao de dois fatores.
Da mesma forma que com experimentos unifatoriais, o primeiro passo para a
derivao de testes de hipteses de experimentos fatoriais a anlise da variao. Um dos
propsitos da anlise da variao a estimao da varincia do erro experimental. Com
experimentos fatoriais, outro propsito importante a execuo dos testes de significncia
referentes aos efeitos principais e s interaes dos fatores.
Como salientado na Seo 4.6, a apreciao dos resultados da anlise da variao de
um experimento fatorial deve iniciar-se, sempre, pela interao. Segundo o resultado do teste
de significncia da interao, um de dois caminhos alternativos deve ser seguido para as
inferncias referentes aos efeitos principais dos fatores:
- Se a interao no significativa, h indicao de que os efeitos dos dois fatores
sobre a varivel resposta so independentes, isto , que o efeito de um fator no depende do
nvel do outro fator. Nessas circunstncias, podem ser derivadas inferncias separadamente
para cada um dos fatores, ou seja, para os efeitos principais dos fatores. No caso de dois fatores
cada um com dois nveis, nada mais h a fazer - as concluses definitivas so obtidas da tabela
da anlise da variao segundo o esquema fatorial.
- Se a interao significativa, os efeitos principais perdem interesse ou sentido e
devem ser derivadas inferncias separadamente para cada um dos fatores. Nesse caso, o mais
apropriado a derivao de inferncias referentes aos efeitos simples dos fatores, ou seja, aos
efeitos de cada um dos fatores separadamente para cada nvel do outro fator.
De modo geral, o procedimento de anlise estatstica distinto para experimentos
fatoriais de fatores com dois nveis, ou seja, fatoriais da srie 2n e experimentos fatoriais de
fatores com mais de dois nveis. Comumente, inferncias derivadas para fatores de dois nveis
so restritas aos dois nveis presentes no experimento, ou seja, so qualitativas, qualquer que
seja a categoria do fator. Consequentemente, a anlise de experimentos da srie 2n
usualmente mais simples do que a de experimentos com fatores de nmeros mais elevados de
nveis.
Os procedimentos de inferncia (estimao por ponto e testes de hipteses) sero
considerados, a seguir, para a situao de estrutura fatorial 2x2.
4.9 Experimentos Fatoriais 2 x 2

Sem perda de generalidade, considere-se a situao de um experimento com dois
fatores A e B cada um com dois nveis com delineamento completamente casualizado com r
repeties. A equao do modelo estatstico para uma observao genrica :
yijk = m + a i + b j + abij + eijk , i=1,2, j=1,2, k=1,2,...,r.
4.9.1 Efeitos simples, efeitos principais e interao de fatores
Um efeito simples de um fator a diferena entre as mdias populacionais dos dois

nveis do fator em um nvel especfico do outro fator. Assim, para cada um dos dois fatores A e
B so definidos dois efeitos simples, como segue:
efeito simples do fator A para o nvel 1 do fator B:
A|B1 = m 21 - m11 = (a 2 + ab 21 ) - (a1 + ab11 ) 1;
efeito simples do fator A para o nvel 2 do fator B:
A|B2 = m22 - m12 = (a 2 + ab22 ) - (a1 + ab12 ) ;
efeito simples do fator B para o nvel 1 do fator A:
B|A1 = m12 - m11 = (b 2 + ab12 ) - (b1 + ab11 ) ;
efeito simples do fator B para o nvel 2 do fator A:
B|A2 = m22 - m21 = (b 2 + ab 22 ) - (b1 + ab 21 ) .
O efeito principal de um fator a diferena entre as mdias populacionais dos dois
nveis desse fator, globais para os dois nveis do outro fator. Assim, os efeitos principais dos
fatores A e B so definidos como segue:
r
m ij = E (yij. ) = E ( m + a i + b j + abij + eijk )
k=1
1
= E ( m + a i + b j + abij + eij. ) = m + a i + b j + ab ij , pois E ( eij. ) = 0 .

efeito principal do fator A:

A = m 2. - m1. = a2 a1 2;
efeito principal do fator B:
B = m . 2 - m .1 = b2 b1
Pode-se observar-se que o efeito principal do fator A a mdia de seus efeitos
simples:
( A|B1 + A|B2 ) = ( m 21 - m11 ) ( m 22 - m12 ) = m 2. - m1. = A,

1 1
2 2
j que: (m11 + m12 ) / 2 = m1. e (m 21 + m 22 ) / 2 = m 2. . Semelhantemente,
[ B|A1 + B|A 2 ] = m . 2 - m .1 = B.
1
2
A interao dos fatores A e B a variao da diferena de resposta mdia entre os
dois nveis do fator A quando muda o nvel do fator B, ou seja, a diferena entre os efeitos
simples do fator A:
AxB = ( m 22 - m12 ) ( m 21 - m11 ) = A|B2 A|B1
= [ (a 2 + ab 22 ) - (a1 + ab12 ) ] [ (a 2 + ab 21 ) - (a1 + ab11 ) ]
= ab11 + ab 22 ab12 ab 21 ,
que idntica diferena entre os efeitos simples do fator B:
BxA = B|A 2 B|A1
= [ (b 2 + ab 22 ) - (b1 + ab 21 ) ] [ (b 2 + ab12 ) - (b1 + ab11 ) ]
= ab11 + ab 22 ab12 ab 21 = AxB.
Logo, a interao entre os fatores A e B simtrica, ou seja, AxB = BxA.
Significados geomtricos
A Figura 4.1 mostra os significados geomtricos de efeito simples, efeito principal e

interao de dois fatores. Em particular, as representaes grficas (a), (b), (c) e (d) ilustram
quatro situaes distintas referentes magnitude da interao AxB. Nesses grficos os nveis
do fator A so representados no eixo das abscissas e os valores esperados (populacionais)
mdios da varivel resposta no eixo das ordenadas; ento, as respostas s combinaes de
nveis A1B1 e A1B2 so dois pontos de mesma abscissa A1 e as respostas esperadas s
combinaes de nveis A2B1 e A2B2 so dois pontos de igual abscissa A2. Para melhor
compreenso do significado da interao AxB os pontos que representam s mdias
populacionais para as condies experimentais correspondentes a um mesmo nvel do fator B
so ligados por um segmento de reta.

mi = E (yi .. ) = E ( m + a i + b j + abij + eijk )
b r
j=1 k=1
2
= E ( m + a i + ei .. ) = m + a i , j que b1+b2=0, abi1+abi2=0 e E ( e i .. ) = 0 .

Figura 4.1. Diferentes magnitudes da interao de dois fatores A e B:

(a) ausncia de interao; (b) e (c) interao mdia; (d)
interao elevada.
Em cada um dos quatro grficos da Figura 4.1 os segmentos verticais que conectam
os pontos que representam combinaes de nveis com um mesmo nvel do fator A
representam efeitos simples do fator B, B|A1 e B|A2; a mdias desses segmentos para os dois
nveis A1 e A2 exprime o efeito principal do fator A. Ento, o grfico (a) em que esses
segmentos verticais so iguais ilustra ausncia de interao; os grficos (b), (c) e (d) em que
esses segmentos so diferentes, presena de interao. Observe-se que na Figura 4.1 (a) a
diferena de resposta entre os nveis B2 e B1 do fator B igual para os dois nveis A1 e A2 do
fator A; isso significa que os efeitos simples B|A1 e B|A2 do fator B so iguais. Na situao da
Figura 4.1 (d), para o nvel A1 a resposta ao fator B mais elevada para o nvel B1 do que para
o nvel B2, mas para o nvel A2 o sentido da resposta ao fator B inverte-se: a resposta mais
elevada para B2 do que para B1; os efeitos simples B|A1 e B|A2 tm sinais contrrios. Nas
situaes ilustradas na Figura 4.1 (b) e na Figura 4.1 (c), o sentido da resposta ao fator B o
mesmo para os dois nveis A1 e A2 do fator A: a resposta mais elevada para o nvel B2 do que
para o B1; a presena da interao AxB provm da variao da amplitude das diferenas entre
as respostas para os dois nveis do fator B entre os nveis A1 e A2; os dois efeitos simples B|A1
e B|A2 tm o mesmo sinal, mas grandezas diferentes.
Pelas definies ao incio desta Seo, pode-se verificar que os efeitos simples, os
efeitos principais e a interao dos fatores A e B so contrastes das mdias populacionais das
quatro condies experimentais cujos coeficientes so apresentados na Tabela 4.1.
Tabela 4.1. Coeficientes dos contrastes correspondentes aos efeitos

principais e interao de dois fatores A e B cada um
com dois nveis.
Mdia populacional
Efeito
m22 m21 m12 m11
A|B1 0 +1 0 -1
A|B2 +1 0 -1 0
B|A1 0 0 +1 -1
B|A2 1 -1 0 0
A +1 +1 -1 -1
B +1 -1 +1 -1
AxB +1 -1 -1 +1
Observa-se, ademais, que os efeitos principais A e B e a interao AxB constituem

trs contrastes ortogonais, aos quais correspondem os trs graus de liberdade atribuveis s
quatro condies experimentais (combinaes dos nveis dos fatores A e B).
conveniente observar as seguintes regras para a derivao dos coeficientes para os
contrastes correspondentes aos efeitos principais e interao:
os coeficientes para o efeito principal de um fator so +1 para as combinaes de
nveis com um dos nveis do fator e -1 para as combinaes de nveis com o outro
nvel do fator;
os coeficientes para a interao so os produtos dos correspondentes coeficientes
dos efeitos principais dos dois fatores.
4.9.2 Estimao dos parmetros e dos efeitos simples, efeitos principais e interao
Os estimadores dos parmetros m, ai, bj e abij derivados pelo mtodo dos quadrados
mnimos so:
m = y... ,
a i = yi .. y... ,
b j = y. j. y... ,
ij = y y y + y ,
ab ij. i .. . j. ...
onde yi .. e y. j. representam as mdias da amostra para os nveis i do fator A e j do fator B, e

y ... representa a mdia geral da amostra.
Os estimadores dos efeitos simples, efeitos principais e interao dos fatores A e B
so funes das mdias das respostas observadas na amostra para as combinaes dos nveis
dos dois fatores e os nveis individuais desses fatores:
= y y 3,
A|B1 21 11
= y y ,
A|B 2 22 12
= y y ,
B|A1 12 11
= y y ,
B|A 2 22 21
= y y ,
A 2. 1.
= y y ,
B .2 .1
= y y y +y .
AxB 22 12 21 11
Para compreenso dessas expresses conveniente dispor as mdias observadas para
as combinaes de nveis nas clulas de uma tabela de dupla entrada, com uma entrada para
cada um dos fatores A e B, com as mdias correspondentes aos nveis de cada um desses dois
fatores nas margens (Tabela 4.2). Com essa disposio das mdias, pode-se observar o
seguinte:
os efeitos simples do fator A para os nveis 1 e 2 do fator B so as diferenas das
mdias nas clulas das linhas 1 e 2, respectivamente;
os efeitos simples do fator B para os nveis 1 e 2 do fator A so as diferenas das
mdias nas clulas das colunas 1 e 2, respectivamente;
o efeito principal do fator A a diferena das mdias na margem inferior da tabela;
o efeito principal do fator B a diferena das mdias na margem direita;
e a interao a diferena entre as diferenas das mdias na diagonal principal e
na diagonal secundria da tabela.
Tabela 4.2. Tabela de dupla-entrada com as mdias observadas de

um experimento com dois fatores experimentais A e B.
A
B Global
A1 A2
B1 y11 y21 y.1
B2 y12 y22 y. 2
Global y1. y 2.
Exemplo 4.1. Considerem-se os dados de um experimento que pesquisou o efeito do

implante do hormnio Stilbestrol sobre o ganho de peso de cordeiros machos e fmeas da raa
Corriedale, em um intervalo de 180 dias aps o implante. O experimento compreendeu dois
fatores Hormnio e Sexo cada um com dois nveis na amostra:
Fator A Hormnio
A1 Sem Stilbestrol
A2 Com Stilbestrol
3
Para simplicidade de notao omite-se o ponto indicativo de que as mdias so obtidas tambm sobre
o ndice k que denota repetio.
Fator B Sexo
B1 Fmea
B2 Macho
O experimento foi conduzido com delineamento completamente casualizado com
quatro repeties. A unidade experimental para cada condio experimental combinao de
nvel dos fatores experimentais hormnio e sexo foi constituda por um animal. A Tabela 4.3
apresenta o ganho de peso dos cordeiros (unidades experimentais), em kg/180 dias.
Tabela 4.3. Ganho de peso de cordeiros, em kg/180 dias, no

Condio Repetio
Soma Mdia
experimental 1 2 3 4
A1B1 22 27 25 26 100 25,0
A1B2 25 29 32 28 114 28,5
A2B1 32 28 34 30 124 31,0
A2B2 29 36 37 34 136 34,0
Soma 474
A estimao dos parmetros m, ai, bj e abij, i=1,2, j=1,2, e dos efeitos simples, efeitos
principais e interao dos fatores facilitada pela disposio das mdias observadas para as
combinaes dos nveis e os nveis dos dois fatores na Tabela 4.4, organizada de modo
semelhante Tabela 4.2.
Tabela 4.4. Tabela de dupla-entrada com as mdias observadas

A: Hormnio
B: Sexo Global
A1: Sem A2: Com
B1: Fmea 25,0 31,0 28,00
B2: Macho 28,5 34,0 31,25
Global 26,75 32,50 29,625
Ento, as estimativas dos parmetros m, ai, bj e abij , i=1,2, j=1,2, so obtidas como
segue:
m = y... = 29,625 ,
a1 = y1.. y... = 26, 75 29,625 = -2,875 , a 2 = 32,50 29,625 = 2,875 ;
b1 = y.1. y... = 28, 00 29,625 = -1,625 , b 2 = 31, 25 29,625 = 1,625 ;

11 = y y y + y = 25,0 26,75 28,0 + 29,625 = -0,125,
ab 11. 1.. .1 . ...
12 = 28,5 26,75 31,25 + 29,625 = 0,125,
ab
21 = 31,0 32,50 28,00 + 29,625 = 0,125,

ab
22 = 34,0 32,50 31,25 + 29,625 = -0,125.
ab
As estimativas dos efeitos simples, efeitos principais e interao so obtidas imediatamente a
partir das mdias disponveis na Tabela 4.4:
- efeito simples do fator Hormnio para fmeas:
= y y = 31,0 - 25,0 = 6,0 ;
A|B 1 21 11
- efeito simples do fator Hormnio para machos:

= 34,0 - 28,5 = 5,5 ;
A|B 2
- efeito simples do fator Sexo para ausncia de Stilbestrol:
= 28,5 - 25,0 = 3,5 ;
B|A1
- efeito simples do fator Sexo para presena de Stilbestrol:
= 34,0 - 31,0 = 3,0 ;
B|A 2
- efeito principal do fator Hormnio:
= y y = 32,50 - 26,75 = 5,75 ;
A 2. 1.
- efeito principal do fator Sexo:

= 31,25 - 28,00 = 3,25 ;
B
- interao dos fatores Hormnio x Sexo:
= y y y + y = 25,0 + 34,0 - 31,0 - 28,5 = -0,5 .
AxB 22 12 21 11
Alternativamente, essas estimativas podem ser derivadas a partir das estimativas dos
ij , utilizando as relaes dos efeitos principais, efeitos simples e
parmetros m , a i , b j , ab
interao com esses parmetros especificadas na Seo 4.9.1.
4.9.3 Anlise da variao e testes de significncias
Como foi antecipado na Seo 4.8, o procedimento para a anlise da variao e os

testes de significncias distinguem-se para as situaes de ausncia de interao dos fatores.
Esses procedimentos so apresentados a seguir por meio de exemplos.
4.9.3.1 Fatorial 2x2 sem interao
Exemplo 4.2. Considere-se o experimento cujos resultados foram utilizados no

Exemplo 4.1.
A fase preliminar da anlise da variao procedida ignorando o esquema fatorial, ou
seja, considerando as combinaes de nveis como se constitussem os nveis de um nico
fator. Obtm-se, ento:
1
C= 4742 = 14.042,25,
16
1
SQ Condio = (1002 +1142 +1242 +1362 ) - C =
4
= 14.217,00 - 14.042,25 = 174,75,
SQ Total = 222 +272 +...+342 - C =

= 14.314 - 14.042,25 = 271,75.
De onde provm os resultados resumidos na Tabela 4.5.
Tabela 4.5. Anlise da variao dos dados do Exemplo 4.1.

Condio 3 174,75 58,250 7,206 0,0051
Erro 12 97,00 8,083
Total 15 271,75
Mdia geral: 29,6 kg/animal/180 dias.
CV: 9,60%.
O experimento tem por objetivo inferncias sobre os efeitos (principais ou simples) e

interao dos dois fatores. Assim, no de interesse particular o teste de significncia da
variao atribuvel aos efeitos globais das condies experimentais, provido pela anlise da
variao resumida na Tabela 4.5. Conforme estabelecido na Seo 4.9.1, os trs graus de
liberdade referentes condio experimental devem ser decompostos nos trs graus de
liberdade individuais correspondentes aos dois efeitos principais e interao dos fatores
hormnio e sexo. Ento, a anlise de variao deve prosseguir com a decomposio da
variao atribuvel a condio experimental de acordo com o esquema da Tabela 4.6.
Tabela 4.6. Esquema da decomposio da variao entre condies

experimentais para o experimento fatorial de dois
fatores com dois nveis do Exemplo 4.1.
Fonte de variao GL
Hormnio 1
Sexo 1
Hormnio x Sexo 1
Erro 12
Total 15
A decomposio da SQ Condio pode ser procedida por dois mtodos alternativos:

mtodo de contrastes ortogonais e mtodo de tabelas auxiliares.
Mtodo de contrastes ortogonais
Os coeficientes dos contrastes correspondentes aos efeitos principais e interao dos

fatores Hormnio e Sexo esto na Tabela 4.7 que inclui, tambm, os totais de condies
experimentais.
Tabela 4.7. Coeficientes dos contrastes correspondentes aos efeitos principais

e interao dos fatores A: Hormnio e B: Sexo, Exemplo 4.1.
Condio experimental
Componente
A1B1 A1B2 A2B1 A2B2
Hormnio +1 +1 -1 -1
Sexo +1 -1 +1 -1
Horm. x Sexo +1 -1 -1 +1
Total (yi) 100 114 124 136
A soma de quadrados de um contraste, para totais de tratamentos, dada pela

expresso:
ci yi
i
SQ Contraste = .
r ci2
i
Logo,
[100 +114 124 136]2 ( 46)2
SQ Hormnio = = = 132, 25 ,
4[12 +12 + ( 1) 2 + ( 1)2 ] 16
[100 114 +124 136]2 ( 26)2

SQ Sexo = = = 42, 25 ,
4[12 + ( 1) 2 +12 + ( 1) 2 ] 16
[100 114 124 +136]2 ( 2)2

SQ Horm. x Sexo = = = 0, 25 .
4[12 + ( 1) 2 + ( 1) 2 +12 ] 16
A anlise da variao resumida na Tabela 4.8.
Tabela 4.8. Anlise da variao para os dados do experimento do Exemplo 4.1.

Hormnio 1 132,25 132,25 16,361 0,0016
Sexo 1 42,25 42,25 5,227 0,0412
Hormnio x Sexo 1 0,25 0,25 0,031 0,8633
Erro 12 97,00 8,083
Total 15 271,75
Mtodo de tabela auxiliar
Um procedimento alternativo para a determinao das somas de quadrados referentes

aos efeitos principais e interao utiliza uma tabela de duas entradas, com uma entrada para
cada um dos dois fatores, com os totais das condies experimentais dispostos nas clulas e os
totais para os nveis dos fatores dispostos nas margens. Ento, essas somas de quadrados so
obtidas pelo processo usual para decomposio da soma de quadrados referente variao
entre as clulas (combinaes dos nveis dos dois fatores, no presente caso) em trs
componentes:
uma soma de quadrados referente variao dentro de cada margem (ou seja,
variao atribuvel ao efeito principal de cada fator) e
uma soma de quadrados para a variao restante (atribuvel interao dos fatores)
4
.
Considerem-se, novamente, os dados do experimento do Exemplo 4.1. Os ganhos de
peso totais para as combinaes dos nveis dos dois fatores esto na Tabela 4.9.
Tabela 4.9. Tabela auxiliar para o clculo das somas de quadrados para
os efeitos principais e interao de Hormnio e Sexo,
Exemplo 4.1.
Hormnio
Sexo Soma
Sem Com
Fmea 100 124 224
Macho 114 136 250
Soma 214 260 474
Os clculos seguem:
4742
C= = 14.042,25 ,
44
1
SQ Hormnio = (2142 +2602 ) - C = 132,25 ,
24
1
SQ Sexo = (2242 +2502 ) - C = 42,25 ,
24
SQ Horm. x Sexo = SQ Hormnio e Sexo SQ Hormnio SQ Sexo
1
= (1002 +1142 +1242 +1362 ) - C - 132,25 - 42,25 = 0,25 .
4
Observe-se que o fator 4 comum nos denominadores dessas expresses visa reduzir todas as
somas de quadrados a uma unidade experimental. Os resultados so, naturalmente, os mesmos
A anlise da variao revela que a interao Hormnio x Sexo no foi significativa.
Dessa forma, pode-se concluir separadamente para cada um dos dois fatores. Isso significa a
adequabilidade das inferncias referentes aos efeitos principais dos fatores. Por outro lado,
como cada fator compreende apenas dois nveis, no h necessidade de qualquer procedimento
adicional para discriminar a variao entre condies experimentais. As concluses da anlise
estatstica so, ento, as seguintes:
1) A interao Hormnio x Sexo no foi significativa (P>0,05).
4
Esse processo utilizado para a determinao das somas de quadrados para tratamento, bloco e erro
em um experimento unifatorial em blocos casualizados, a partir das observaes dispostas em uma
tabela com uma entrada para tratamentos e outra para blocos.
2) O efeito principal do hormnio Stilbestrol foi significativo (P=0,0016). As mdias

de ganho de peso para os animais que receberam e no receberam implante de Stilbestrol foram
as seguintes:
Implante de Mdia
Stilbestrol (kg/animal/180 dias)
Com 32,50
Sem 26,75
Diferena 5,75
Logo, o implante do hormnio Stilbestrol elevou significativamente (P<0,0016) o ganho mdio

de peso dos cordeiros em 5,75 kg/animal/180 dias.
2) O efeito principal de Sexo foi significativo (P=0,0412). As mdias de ganho de
peso para os dois sexos foram as seguintes:
Mdia
Sexo
(kg/animal/180 dias)
Macho 31,25
Fmea 28,00
Diferena 3,25
Logo o ganho mdio de peso dos cordeiros machos foi significativamente superior (P=0,0412)
ao ganho mdio de peso das fmeas em 3,25 kg/animal/180dias.
4.9.3.2 Fatorial 2x2 com interao
Exemplo 4.3. Seja um experimento que teve como propsito o estudo do espaamento
de plantio de batatinha, com dois fatores experimentais - Espaamento e Cultivar - cada um em
dois nveis. Os tratamentos - combinaes dos dois nveis de Espaamento (0,10 e 0,30m
dentro de linha) com os dois nveis de Cultivar (Baronesa e Hansa), foram os seguintes:
Tratamento Espaamento Cultivar

1 0,10m x 1m Baronesa
2 0,30m x 1m Baronesa
3 0,10m x 1m Hansa
4 0,30m x 1m Hansa
Os dados de produo de tubrculos, em kg/0,1 ha, esto na Tabela 4.10.

Tabela 4.10. Produo de tubrculos (em kg/0,1 ha) do experimento do Exemplo 4.3.
Bloco
Tratamento Soma
1 2 3 4 5 6
1 750 766 790 879 976 823 4.984
2 469 484 672 563 469 563 3.220
3 424 394 500 470 470 341 2.599
4 235 324 368 463 316 404 2.110
Soma 1.878 1.968 2.330 2.375 2.231 2.131 12.913
A anlise da variao segundo o esquema fatorial, efetuada por qualquer um dos dois
mtodos ilustrados anteriormente, produz os resultados da Tabela 4.11.
Tabela 4.11. Anlise da variao dos dados de produo de tubrculos de

batatinha do experimento do Exemplo 4.3.

Bloco 5 49.257
Espaamento 1 211.500 211.500 47,651 < 0,0001
Cultivar 1 508.959 508.959 114,668 < 0,0001
Espaam. x Cult. 1 67.734 67.734 15,261 0,0014
Erro 15 66.578 4.438
Total 23 904.029
Mdia geral: 538,0 kg/0,1 h.
C.V.: 12,38 %.
Na presente situao, a interao significativa. Conseqentemente, inferncias

referentes aos efeitos principais dos fatores tornam-se irrelevantes ou sem sentido. A anlise
estatstica deve prosseguir para o estudo da interao, ou seja, para a derivao de inferncias
referentes aos efeitos simples dos fatores. No caso em que um dos fatores mais importante,
sendo o outro um fator suplementar, os testes de significncias podem restringir-se aos efeitos
simples do fator principal. No experimento utilizado para ilustrao, Espaamento o principal
fator. Cultivar foi includo como fator suplementar para permitir que as concluses referentes a
Espaamento pudessem ser estendidas para o conjunto das cultivares consideradas na
populao objetivo, representadas pelas duas cultivares Baronesa e Hansa.
A apreciao dos coeficientes na Tabela 4.1 revela que o efeito principal de um fator
e os dois efeitos simples do outro fator constituem um conjunto de trs contrastes ortogonais
(por exemplo, A, B|A1 e B|A2 so contrastes ortogonais). Dessa forma, um procedimento
adequado para o Exemplo 4.3 a decomposio da variao atribuvel a condies
experimentais em um conjunto alternativo de componentes correspondentes a trs contrastes
ortogonais: efeito principal de Cultivar, efeito simples de Espaamento para a cultivar
Baronesa e efeito simples de Espaamento para a cultivar Hansa, conforme a Tabela 4.12.
Tabela 4.12. Anlise da variao para os testes de significncias dos

feitos simples de espaamento para cada cultivar.
Fonte de variao GL
Cultivar 1
Espaamento | cultivar Baronesa 1
Espaamento | cultivar Hansa 1
Erro 15
Os coeficientes dos contrastes correspondentes a essas trs fontes de variao so

Tabela 4.13. Coeficientes dos contrastes para inferncias referentes

aos efeitos simples de espaamento para cada cultivar.
Tratamento
Componente
1 2 3 4
Cultivar -1 -1 +1 +1
Esp. | Baronesa -1 +1 0 0
Esp. | Hansa 0 0 -1 +1
Total (yi) 4.984 3.220 2.599 2.110
As somas de quadrados para os efeitos simples de espaamento para a cultivar

Baronesa e para a cultivar Hansa podem ser determinadas por um dos dois processos
alternativos: contrastes ortogonais e tabela auxiliar.
As somas de quadrados para esses contrastes podem ser obtidas do modo usual.
Mtodo de tabelas auxiliares
Inicialmente, dispem-se os totais dos tratamentos em uma tabela de dupla-entrada,

com os dois fatores experimentais como entradas, Tabela 4.14.
Tabela 4.14. Totais de tratamentos dispostos em uma tabela de dupla entrada

para os fatores Espaamento e Cultivar, Exemplo 4.3.
Cultivar
Espaamento Soma
Baronesa Hansa
0,10m x 1m 4.984 2.599 7.583
0,30m x 1m 3.220 2.110 5.330
Soma 8.204 4.709 12.913
As somas de quadrados para os efeitos simples so determinadas como segue:

4.984 2 + 3.2202 8.2042
SQ Esp. | Baronesa = = 259.308,
6 26
2.5992 + 2.1102 4.7092
SQ Esp. | Hansa = = 19.926,8.
6 26
Observe-se que cada uma dessas somas de quadrados determinada a partir dos dados
parciais para cada uma das cultivares, ou seja, a partir da metade dos dados do experimento.
Por essa razo, a soma de quadrados de cada um dos efeitos simples usa um termo de correo
prprio.
Os resultados dessa anlise da variao e dos correspondentes testes de significncias
referentes aos efeitos simples podem ser apresentados em uma tabela de anlise de variao
simplificada, Tabela 4.15.
Tabela 4.15. Anlise da variao com os testes de significncias dos efeitos

simples de espaamento para cada cultivar, Exemplo 4.3.

Cultivar 1 508.959
Espaam.|Baronesa 1 259.308 259.308 58,422 < 0,0001
Espaam.|Hansa 1 19.927 19.927 4,489 0,0512
(Espaam.|Cultivar) (2) (279.235) 139.617 31,456 < 0,0001
Erro 15 66.578 4.439
Observe-se que a SQ Espaamento|Cultivar na Tabela 4.15, com 2 graus de liberdade,

corresponde combinao das somas de quadrados referentes a Espaamento e interao
Espaamento x Cultivar, cada uma com um grau de liberdade.
Os resultados na Tabela 4.15 revelam que a variao da resposta entre os
espaamentos foi significativa para a cultivar Baronesa, mas no foi significativa para a
cultivar Hansa. Essa observao corroborada pela apreciao dos totais dos tratamentos na
Tabela 4.14. As concluses da anlise estatstica so resumidas a seguir:
1) A interao Espaamento x Cultivar foi significativa (P=0,0014).
2) O efeito simples de Espaamento foi significativo para a variedade Baronesa
(P<0,0001); no foi significativo para a variedade Hansa (P=0,0512). As respostas mdias para
cada combinao dos nveis dos fatores Espaamento e Cultivar, e para cada nvel de cada um
desses dois fatores globais para os nveis do outro fator, so mostradas na Tabela 4.16.
Tabela 4.16. Produo mdia de tubrculos (em kg/0,1 ha) para cada
um dos nveis dos fatores Espaamento e Cultivar, e
para cada combinao dos nveis desses dois fatores.
Cultivar
Espaamento Global
Baronesa Hansa
0,10m x 1m 830,7 433,2 631,9
0,30m x 1m 536,7 351,7 444,2
Global 683,7 392,4 538,0
Observa-se que a estimativa do efeito simples de Espaamento foi mais elevada para a
cultivar Baronesa do que para a cultivar Hansa, embora ambas no mesmo sentido - mdia mais
elevada para o menor espaamento:
Espaamento | Baronesa = 830,7-536,7 = 294,0,
Espaamento | Hansa = 433,2-351,7 = 81,5.
4.10 Experimentos Fatoriais 2x2x2

O procedimento de anlise estatstica ser ilustrado por um exemplo.
Exemplo 4.4. Para ilustrao, considere-se um experimento que teve por propsito o
estudo da fertilizao do solo com nitrognio, fsforo e potssio para a cultura da ervilha, com
dois nveis (ausncia e presena) de cada um desses trs fatores. Assim, o experimento constou
dos oito (2x2x2) tratamentos listados na Tabela 4.17.
Tabela 4.17. Lista dos tratamentos do experimento com trs fatores

N, P e K cada um com dois nveis (ausncia e presena),
Exemplo 4.4.
Tratamento N P K
1 - (1) Sem Sem Sem
2-n Com Sem Sem
3-p Sem Com Sem
4-k Sem Sem Com
5 - np Com Com Sem
6 - nk Com Sem Com
7 - pk Sem Com Com
8 - npk Com Com Com
Os dados de produo de gros de ervilha, por parcela, so apresentados na Tabela

4.18.
Tabela 4.18. Dados de produo de gros de ervilha, em hg/9m2, Exemplo 4.4.
Bloco
Tratamento Soma
1 2 3 4
(1) 22 18 18 19 77
n 28 24 22 20 94
p 24 19 31 18 92
k 17 9 20 8 54
np 13 19 26 28 86
nk 16 7 11 6 40
pk 29 20 18 24 91
npk 29 28 31 28 116
Soma 178 144 177 151 650
A variao correspondente aos sete graus de liberdade para as oito combinaes dos
dois nveis de cada um dos trs fatores pode ser decomposta em 3 graus de liberdade
individuais correspondentes aos trs efeitos principais de N, P e K, 3 graus de liberdade
individuais correspondentes s trs interaes de dois fatores (interaes duplas, ou de primeira
ordem): NxP, NxK e PxK, e 1 grau de liberdade correspondente interao dos trs fatores
(interao tripla, ou de segunda ordem): NxPxK, segundo o esquema de anlise de variao da
Tabela 4.19.
Tabela 4.19. Decomposio da variao entre as oito combinaes dos dois

nveis dos fatores N, P e K nos componentes correspondentes
aos efeitos principais e interao desses fatores.
Fonte de variao GL
N 1
P 1
K 1
NxP 1
NxK 1
PxK 1
NxPxK 1
Esses componentes da variao de Tratamento constituem um conjunto de sete

contrastes ortogonais, cujos coeficientes esto na Tabela 4.20.
Tabela 4.20. Contrastes correspondentes aos efeitos principais e s interaes

dos fatores N, P e K, cada um com dois nveis.
Tratamento
Componente
(1) n p k np nk pk npk
N -1 1 -1 -1 1 1 -1 1
P -1 -1 1 -1 1 -1 1 1
K -1 -1 -1 1 -1 1 1 1
NxP 1 -1 -1 1 1 -1 -1 1
NxK 1 -1 1 -1 -1 1 -1 1
PxK 1 1 -1 -1 -1 -1 1 1
NxPxK -1 1 1 1 -1 -1 -1 1
Total (yi) 77 94 92 54 86 40 91 116
As somas de quadrados para esses contrastes so obtidas do modo usual. Os resultados

da anlise da variao e dos testes de significncias dos efeitos principais e das interaes so
resumidos na Tabela 4.21.
Tabela 4.21. Anlise da variao e testes de significncia dos efeitos

principais e das interaes dos fatores N, P e K, Exemplo 4.4.

Bloco 3 115,625 -
N 1 15,125 15,125 0,7547 0,3948
P 1 450,000 450,000 22,4532 0,0001
K 1 72,000 72,000 3,5925 0,0719
NxP 1 8,000 8,000 0,3992 0,5343
NxK 1 0,000 0,000 0,0000 1,0000
PxK 1 351,125 351,125 17,5198 0,0004
NxPxK 1 120,125 120,125 5,9938 0,0232
Erro 21 420,875 20,042
Total 31 1.552,875
2
Mdia geral: 20,3 hg/9m .
C.V.: 22,04 %.
Mtodo das tabelas auxiliares
Alternativamente, as somas de quadrados dos efeitos principais e interaes de N, P e

K podem ser determinadas pelo mtodo de tabelas auxiliares. Para tal, inicialmente, dispe-se
os totais dos tratamentos em uma tabela de trs entradas; por exemplo, uma tabela com os
nveis de nitrognio em colunas e as combinaes dos nveis de fsforo e potssio em linhas,
Tabela 4.22.
Tabela 4.22. Tabela auxiliar com os totais das observaes para as

combinaes dos nveis dos fatores N, P e K, Exemplo 4.4.
N: N0 N1
Soma
P: P0 P1 P0 P1
K: K0 77 92 94 86 349
K1 54 91 40 116 301
Soma 131 183 134 202 650
Organizam-se, tambm trs tabelas de dupla-entrada para as combinaes dos nveis de N e P,

N e K, e P e K, Tabela 4.23.
Tabela 4.23. Tabelas auxiliares com os totais das observaes para as combinaes dos
trs pares dos fatores N, P e K, Exemplo 4.4.
N0 N1 Soma N0 N1 Soma P0 P1 Soma

P0 131 134 265 K0 169 180 349 K0 171 178 349
P1 183 202 385 K1 145 156 301 K1 94 207 301
Soma 314 336 650 Soma 314 336 650 Soma 265 385 650
O termo de correo, comum para todas as somas de quadrados, :

6502
C= = 13.203,125 .
32
A soma de quadrados para o efeito principal de cada um dos trs fatores pode ser obtida a partir
dos correspondentes totais disponveis em uma das tabelas de dupla-entrada. O divisor da soma
de quadrados no corrigida para um efeito principal o produto de trs fatores: nmero de
nveis de cada um dos outros dois fatores e nmero de repeties (blocos), ou seja: 2x2x4=16
(ou, o quociente do nmero total de parcelas no experimento pelo nmero de totais cujos
quadrados esto sendo somados: 32/2=16). Assim,
SQ N = 314 + 336 C =
2 2
16
= 13.218,25 - 13.203,125 = 15,125,
SQ P = 265 + 385 C =
2 2
16
= 13.653,125 - 13.203,125 = 450,000,
SQ K = 349 + 301 C =
2 2
16
= 13.275,125 - 13.203,125 = 72,000.
As somas de quadrados para as interaes duplas so obtidas das tabelas de dupla-

entrada. Assim, a SQ NxP obtida da tabela N-P, subtraindo da soma dos quadrados das
combinaes dos nveis de N e P (nas clulas da tabela), que se designar por SQ NeP, as
somas de quadrados para as duas margens dessa tabela, ou seja, SQ N e SQ P; dessa forma: SQ
NxP = SQ N e P - SQ N - SQ P. Essas somas de quadrados so obtidas a seguir:
1312 +1342 +1832 + 2022

SQ NxP = - C - 15,125 - 450,00 =
2 4
= 13.676,25 - 13.203,125 - 15,125 - 450,000 = 8,000,
1692 +1802 +1452 +1562

SQ NxK = - C - 15,125 - 72,000 = 0,000,
2 4
1712 +1782 + 942 + 207 2

SQ PxK = - C - 450,000 - 72,000 = 351,125.
24
Finalmente, a soma de quadrados para a interao tripla, SQ NxPxK, a soma de quadrados

das clulas da tabela de trs entradas N-P-K (isto , SQ Tratamento) subtrada das somas de
quadrados de todos os efeitos principais e interaes duplas:
SQ NxPxK = SQ N, P e K - SQ N - SQ P - SQ K - SQ NxP - SQ NxK - SQ PxK =

2
= 77 +92 +...+116 C - 15,125 - 450,000 - 72,000 - 8,000 - 0,000
2 2
4
- 351,125 = 120,125.
As concluses dos testes de significncias dos efeitos principais e interaes de N, P e

K, efetuados na Tabela 4.21, so as seguintes:
- a interao PxK foi significativa (P<0,001);
- a interao NxPxK foi significativa (P<0,05);
- as interaes NxP e NxK no foram significativas;
- o efeito principal de fsforo (P) foi significativo (P< 0,001);
- o efeito principal de potssio (K) no foi significativo, mas aproximou-se do nvel
mnimo de significncia (=0,05);
- o efeito principal de nitrognio no foi significativo.
As significncias das interaes PxK e NxPxK revelam que os efeitos dos fatores no
foram independentes. A interpretao dos resultados demanda conhecimento terico referente
rea de pesquisa e conhecimento das condies de execuo do experimento. A discusso que
segue tem propsito apenas ilustrativo.
Para melhor apreciao desses resultados, conveniente organizar as mdias de
tratamentos em uma tabela de trs entradas, como a Tabela 4.24.
Tabela 4.24. Produo mdia de gros de ervilha (em dag/9 m2) para
cada combinao dos nveis de N, P e K.
N
K P Global
Sem Com
Sem Sem 19,25 23,50 21,37
Com 23,00 21,50 22,25
Com Sem 13,50 10,00 11,75
Com 22,75 29,00 25,87
Global 19,62 21,00 20,31
A significncia da interao NxPxK pode ser explicada pelo efeito negativo do fsforo
na presena de nitrognio e na ausncia de potssio; para as demais combinaes de ausncia e
presena destes dois elementos o efeito de fsforo foi positivo. Como esse fato no parece
explicvel, considerar-se-, a seguir, o estudo da interao PxK para concluses referentes aos
efeitos dos fatores P e K. Para esse propsito, os trs graus de liberdade referentes aos efeitos
principais e interao de P e K devem ser decompostos em um de dois modos alternativos,
segundo o mais adequado para os propsitos do experimento seja o estudo dos efeitos simples
de potssio para cada nvel de fsforo ou o estudo dos efeitos simples de fsforo para cada
nvel de potssio. Para ilustrao, considerar-se- a primeira situao, de modo que os trs
referidos graus de liberdade para os efeitos principais e a interao de P e K sero decomposto
em um grau de liberdade para o efeito principal de fsforo e um grau de liberdade para cada
um dos dois efeitos simples de potssio. Para tal, necessita-se da tabela auxiliar de duas
entradas com os totais para as combinaes dos nveis dos fatores P e K, constante da Tabela
4.23.
As duas somas de quadrados correspondentes aos efeitos simples de potssio na
ausncia e na presena de fsforo so obtidas como na situao de um experimento fatorial
2x2, levando-se em conta que os divisores so os correspondentes nmeros de unidades
experimentais que contribuem para cada total utilizado nos clculos. Assim, pelo mtodo de
tabelas auxiliares, obtm-se:
1 1
SQ K | sem P = (1712+944) - 2652 = 370,5625 ,
8 16
1 1
SQ K | com P = (1782+2072) - 3852 = 52,5625 .
8 16
Os testes de significncias para essas duas fontes de variao podem ser efetuados em
uma tabela de anlise de variao apropriada, como a Tabela 4.25.
Tabela 4.25. Anlise da variao para os testes de significncia dos efeitos simples
de potssio na ausncia e na presena de fsforo, Exemplo 4.4.

P 1 450,000 450,000 22,4532 0,0001
K | sem P 1 370,562 370,562 18,4896 0,0003
K | com P 1 52,562 52,562 2,6227 0,1203
Erro 21 420,875 20,042
Total 31 1.552,875
As concluses da anlise estatstica se completam como segue:

- A variao entre nveis de potssio foi significativa (P< 0,001) na ausncia de
fsforo, mas no foi significativa na presena de fsforo (=0,05). As produes mdias de
gros de ervilha para as combinaes dos nveis de fsforo e potssio esto na Tabela 4.26.
Tabela 4.26. Produo mdia de gros de ervilha (em ha/9m2 ) para

cada combinao de nveis de fsforo e potssio.
P
K Global
Sem Com
Sem 21,37 22,25 21,81
Com 11,75 25,87 18,81
Global 16,56 24,06 20,31
4.11 Experimentos fatoriais com fatores de mais de dois nveis

A apresentao que segue restringir-se- a esquemas fatoriais de dois fatores. Em
decorrncia das implicaes da categoria do fator para os procedimentos de anlise estatstica,
abordar-se-o, separadamente, as situaes em que ambos os fatores so qualitativos, em que
um dos fatores qualitativo e o outro quantitativo, e em que ambos os fatores so quantitativos.
Tambm ser importante a distino entre fator de tratamento e fator intrnseco, ou fator de
classificao.
Em qualquer circunstncia, a anlise estatstica inicia-se com a anlise da variao e
os testes de significncia referentes aos efeitos principais e interao dos fatores. O
prosseguimento da anlise depende da significncia ou relevncia da interao.
4.11.1 Dois fatores qualitativos especficos

A apreciao dos resultados inicia-se com a inspeo da interao. Se a interao
mostra-se irrelevante ou no significativa, o experimento evidencia que as diferenas entre as
mdias das observaes para dois nveis de um dos fatores, seja A, no se alteram com o nvel
do outro fator, B. Nessas circunstncias, a interpretao dos resultados do experimento
simplifica-se ao exame dos dois efeitos principais dos fatores, ou seja, das diferenas entre as
mdias das observaes nos diferentes nveis do fator A globais para todos os nveis do fator B,
e das diferenas entre as mdias dos valores observados nos diferentes nveis do fator B globais
para todos os nveis do fator A. Caso contrrio, se a interao relevante, os efeitos principais
perdem importncia e a anlise dos efeitos simples torna-se mais informativa. Nesse caso, a
interao deve ser descrita qualitativamente do modo mais apropriado. Em muitas situaes,
um dos fatores mais importante. Esse usualmente o caso se um dos fatores um fator de
tratamento (cultivar e antibitico, por exemplo) e o outro um fator intrnseco (local e sexo, por
exemplo), em que o primeiro o fator principal. Se um dos fatores, seja A, mais importante
do que o outro, fator B, pode ser melhor descrever a interao pelos efeitos simples do fator B,
separadamente para cada nvel do fator A.
Exemplo 4.5. Seja um experimento que teve como propsito a pesquisa de fontes e
mtodos de adubao fosfatada para o cultivo de soja. O experimento constou dos dois fatores
e correspondentes nveis especificados a seguir:
Fator A - Fonte de fsforo:
A1 - Superfosfato - 90 kg/ha de P2O5,
A2 - Fosfato de Olinda - 90 kg/ha de P2O5,
A3 - Superfosfato - 90 kg/ha de P2P5 e Cloreto de Potssio - 60 kg/ha de
K2O.
Fator B - Mtodo de adubao:
B1 - lano,
B2 - No sulco, junto semente,
B3 - Em sulco, prximo semente.
O experimento foi conduzido em blocos casualizados, com trs blocos de parcelas de
5,4m2 de rea til (seis linhas de 1,80m, distanciadas de 0,5m). Os dados de peso da produo
de gros so apresentados na Tabela 4.27.
Tabela 4.27. Peso da produo de gros de soja, em dag/5,4m2, experimento

do Exemplo 4.5.
Bloco
Fonte Mtodo Soma
1 2 3
1 1 334 398 354 1.086
2 142 269 182 593
3 391 367 313 1.071
2 1 315 302 297 914
2 287 363 369 1.019
3 439 331 375 1.145
3 1 368 364 356 1.088
2 163 126 113 402
3 271 339 387 997
Soma 2.710 2.859 2.746 8.315
Anlise da variao
A anlise da variao efetuada segundo o esquema apresentado na Tabela 4.28.
Tabela 4.28. Esquema da anlise da variao para o experimento

fatorial 3 x 3 com ambos os fatores qualitativos
especficos, Exemplo 4.5.
Fonte de variao GL
Bloco 2
Fonte 2
Mtodo 2
Fonte x Mtodo 4
Erro 16
Total 26
As somas de quadrados para os efeitos principais e interao de Fonte de fsforo e

Mtodo de adubao podem ser obtidas pelo mtodo de tabela auxiliar, com o uso da Tabela
4.29, como segue:
Tabela 4.29. Totais das observaes para as combinaes dos nveis

dos fatores Fonte e Mtodo, Exemplo 4.5.
Fonte
Mtodo Soma
1 2 3
1 1.086 914 1.088 3.088
2 593 1.019 402 2.014
3 1.071 1.145 997 3.213
Soma 2.750 3.078 2.487 8.315
8.3152
C= = 2.560.712,
27
SQ Total = 3342+3982+...+3872 - C =
= 2.766.309 - 2.560.712 = 205.597,
1
SQ Bloco = (2.7102+2.8592+ 2.7462) - C =
9
= 2.562.055 - 2.560.712 = 1.343,
1
SQ Fonte = (2.7502+3.0782+2.4872) - C =
33
= 2.580.195 - 2.560.712 = 19.483,
1
SQ Mtodo = (3.0882+2.0142+3.2132) - C =
33
= 2.657.257 - 2.560.712 = 96.545,
SQ Fonte x Mtodo = SQ Fonte e Mtodo SQ Fonte SQ Mtodo =
1
= (1.0862 + 9142 +...+ 997 2 ) C 19.483 96.545 =
3
= 2.734.075 2.560.712 19.483 - 96.545 = 57.336.
A anlise da variao resumida na Tabela 4.30.
Tabela 4.30. Anlise da variao para o experimento fatorial com os fatores

Fonte de fsforo e Mtodo de aplicao, Exemplo 4.5.

Bloco 2 1.343 -
Fonte 2 19.483 9.741,37 5,0456 0,0200
Mtodo 2 96.545 48.272,26 25,0028 < 0,0001
Fonte x Mtodo 4 57.336 14.333,93 7,4243 0,0014
Erro 16 30.891 1.930,68
Total 26 205.597
Mdia geral: 307,96 dag/5,4m2).
CV: 14,27%.
A interao Fonte de fsforo x Mtodo de aplicao foi significativa (P<0,01). Esse

resultado demanda a descrio qualitativa da interao.
Se um dos fatores mais importante, a anlise deve prosseguir para o estudo da
variao atribuvel ao fator mais importante separadamente para cada um dos nveis do outro
fator. Se ambos os fatores so igualmente importante, h duas rotas alternativas a seguir: a) o
estudo da variao atribuvel a cada um dos fatores separadamente para cada um dos nveis do
outro fator, ou seja, da variao atribuvel ao fator A para cada nvel do fator B, e da variao
atribuvel ao fator B para cada nvel do fator A; ou b) o estudo da variao entre as
combinaes dos nveis dos fatores A e B, por algum teste de comparaes mltiplas de
tratamentos. Esta segunda alternativa mais raramente apropriada.
No presente exemplo, os dois fatores parecem igualmente importantes. Assim,
proceder-se-, a seguir, anlise da variao atribuvel ao fator Mtodo separadamente para
cada um dos nveis do fator Fonte e, ulteriormente, anlise da variao atribuvel ao fator
Fonte para cada um dos nveis do fator Mtodo.
Anlise da variao atribuvel Mtodo para cada nvel de Fonte
Essa anlise baseia-se na anlise da variao com o esquema indicado na Tabela 4.31.
Tabela 4.31. Esquema da anlise da variao para o estudo da

variao atribuvel a Mtodo para cada nvel de
Fonte, Exemplo 4.5.
Fonte de variao GL
Fonte 2
Mtodo | Fonte 1 2
Mtodo | Fonte 2 2
Mtodo | Fonte 3 2
Erro 16
Essa anlise procedida com o recurso da tabela auxiliar j elaborada anteriormente,

Tabela 4.29. A soma de quadrados para cada uma das novas fontes de variao nesta tabela
envolve os dados de apenas uma das colunas da Tabela 4.29. Assim, por exemplo, a SQ
Mtodo | Fonte 1 envolve os dados apenas da primeira coluna desta tabela; logo, cada uma
dessas somas de quadrados usa um correspondente especfico termo de correo. Os clculos
para essa decomposio so indicados a seguir:
1.086 2 + 5932 +1.0712 2.7502
SQ Mtodo | Fonte 1 = = 52.418,
3 9
914 2 +1.0192 +1.1452 3.0782
SQ Mtodo | Fonte 2 = = 8.918,
3 9
1.0882 + 4022 + 997 2 2.487 2
SQ Mtodo | Fonte 3 = = 92.545.
3 9
A anlise da variao e os testes de significncia so completados na Tabela 4.32.
Tabela 4.32. Anlise da variao com a decomposio da variao

atribuvel a Mtodo para cada nvel de Fonte, Exemplo 4.5.

Mtodo | Fonte 1 2 52.418 26.208,78 13,5749 0,0004
Mtodo | Fonte 2 2 8.918 4.459,00 2,3096 0,1315
Mtodo | Fonte 3 2 92.545 46.272,33 23,9669 < 0,0001
Erro 16 30.891 1.930,68
Esses resultados revelam que a variao entre os mtodos altamente significativa

(P<0,001) para as fontes 1 e 3, ou seja Superfosfato e Superfosfato + Cloreto de potssio, mas
no significativa para a fonte 2 - Fosfato de Olinda.
A variao entre os mtodos para as fontes 1 e 3 pode ser analisada mediante os
contrastes de interesse no experimento, ou seja:
C1: Aplicao fsforo lano versus aplicao em sulco e
C2: Aplicao do fsforo junto semente versus aplicao prxima semente.
Os coeficientes destes contrastes so apresentados na Tabela 4.33. Observe que esses dois
contrastes so ortogonais.
Tabela 4.33. Coeficientes dos dois contrastes ortogonais de interesse para a anlise
da variao entre mtodos dentro de cada fonte, Exemplo 4.5.
Mtodo
Contraste
1 2 3
C1- Aplicao lano v. em sulco 2 -1 -1
C2- Aplic. junto sem. v. prx. semente 0 -1 1
Total - Fonte 1 1.086 593 1.071
Fonte 2 914 1.019 1.145
Fonte 3 1.088 402 997
As somas de quadrados para esses contrastes so determinadas da forma usual; por

exemplo, para a fonte 1:
[21.086 5931.071]2
SQ C1 | Fonte 1 = = 14.337,
3[22 + ( 1) 2 + ( 1) 2 ]
[ 593+1.071]2
SQ C2 | Fonte 1 = = 38.081.
3[( 1) 2 +12 ]
Os testes de significncia destes contrastes podem ser efetuados com o auxlio de uma
tabela de anlise de variao, Tabela 4.34.
Tabela 4.34. Anlise da variao para os testes de significncia dos contrastes

de efeitos atribuveis a Mtodo para cada nvel de Fonte.

C1: Mtodo | Fonte 1 1 14.337 14.336,89 7,4258 0,0150
C2: Mtodo | Fonte 1 1 38.081 38.080,67 19,7240 0,0004
C1: Mtodo | Fonte 2 1 6.272 6.272,00 3,2486 0,0904
C2: Mtodo | Fonte 2 1 2.646 2.646,00 1,3705 0,2589
C1: Mtodo | Fonte 3 1 33.541 33.540,50 17,3724 0,0007
C2: Mtodo | Fonte 3 1 59.004 59.004,17 30,5613 < 0,0001
Erro 16 30.891 1.930,68
As concluses dessa anlise so as seguintes:

- A aplicao do fsforo lano foi significativamente superior aplicao em sulco
(junto ou prximo semente) para as fontes 1 - Superfosfato 90 kg/ha de P2O5 (P=0,0150) e 3 -
Superfosfato 90 kg/ha de P2O5 + Cloreto de Potssio - 60 kg/ha de K2O (P=0,0007); essas duas
formas de aplicao no diferiram significativamente (P>0,05) para a fonte 2 - Fosfato de
Olinda - 90 kg/ha de P2O5. As diferenas mdias de produo de gros (em dag/5,4m2) foram,
respectivamente, 84,7, 129,5 e -56,0 dag/5,4m2.
- A aplicao do fsforo em sulco prximo semente foi significativamente superior

aplicao em sulco junto semente para as fontes 1 e 3 (P<0,001); entretanto, esses dois
mtodos de aplicao em sulco no diferiram significativamente para a fonte 2. As diferenas
mdias de produo de gros (em dag/5,4m2) foram, respectivamente, 159,3, 198,3 e 42,0
dag/5,4m2.
Anlise da variao atribuvel Fonte para cada nvel de Mtodo
Os resultados da anlise da variao para os testes de significncia dos efeitos simples

do fator Fonte so resumidos na Tabela 4.35. Esses resultados revelam que a variao
atribuvel Fonte foi significativa (P < 0,0001) para o mtodo 2, mas no significativa para os
mtodos 2 e 3.
Tabela 4.35. Anlise da variao com a decomposio da variao atribuvel

a Fonte para cada nvel de Mtodo, Exemplo 4.5.

Fonte | Mtodo 1 2 6.652 3.325,78 1,7226 0,2101
Fonte | Mtodo 2 2 66.516 33.258,09 17,2261 0,0001
Fonte | Mtodo 3 2 3.651 1.825,33 0,9454 0,4092
Erro 16 30.891 1.930,68
Aparentemente, h duas comparaes de maior interesse entre os nveis do fator

Fonte:
C1: Superfosfato versus Fosfato de Olinda (90 kg/ha de P2O5);
C2: Superfosfato - 90 kg/ha de P2O5 e Cloreto de Potssio 60 kg/ha de K2O versus
Superfosfato - 90 kg/ha de P2O5 (ou seja, efeito da aplicao de Cloreto de
Potssio 60 kg/ha em adio aplicao de Superfosfato - 90 kg/ha de P2O5.
Pode-se verificar que estas duas comparaes no so ortogonais. Entretanto, se
constituem as nicas comparaes de interesse no experimento, elas podero ser efetuadas do
modo usual.
Para ilustrao, suponha-se que a comparao das fontes 2 e 3 tambm de interesse
no experimento. Nesse caso, devem ser efetuadas todas as comparaes entre os trs nveis de
Fonte, separadamente para cada mtodo de aplicao do fsforo. Nessas circunstncias o fator
Fonte deve ser mais apropriadamente considerado como qualitativo no estruturado e o
conjunto das nove comparaes de interesse (trs para cada mtodo de aplicao) constitui um
subconjunto de todas as comparaes entre os nove tratamentos do experimento (combinaes
dos nveis dos fatores Fonte e Mtodo). Ento, as comparaes mltiplas de tratamentos
constituem o procedimento apropriado.
Considere-se, para ilustrao, a aplicao do teste dms de Fisher (=0,05). Este teste
condicionado significncia do teste F efetuado na anlise da variao, ou seja, ele somente
pode declarar como significativas diferenas de mdias cuja variao global revelou-se
significativa pelo teste F. Na presente situao, a variao entre os nveis do fator Fonte foi
significativa para o mtodo 2, mas no foi significativa para os mtodos 1 e 3. Essa condio
implica que as comparaes entre os nveis de Fonte para os mtodos 1 e 3 so no
significativas; deve-se proceder as comparaes apenas para o mtodo 2. Tem-se:
dms = t(;) 2s 2 / r
= t(16;0,05) 2 x1.930,68 / 3 = 2,120 x 35,88 = 76,06.

Os resultados das comparaes de interesse so apresentados na Tabela 4.36.
Tabela 4.36. Resultados das comparaes entre os trs mtodos de aplicao

de Fsforo para cada uma das trs fontes, Exemplo 4.5.
Mdia 1
Mtodo de aplicao Fonte de Fsforo
(dag/5,4m2)
lano Superfosfato 90 362,0 a
Fosfato de Olinda 90 304,7 a
Sup. 90 + Clor.Pot. 60 362,7 a
No sulco, junto sem. Superfosfato 90 197,7 b
Sup. 90 + Clor.Pot. 60 134,0 b
No sulco, prx. sem. Superfosfato 90 357,0 a
Sup. 90 + Clor.Pot. 60 332,3 a
1
Para cada mtodo de aplicao de fsforo, fontes cujas mdias
no so seguidas de uma mesma letra diferiram
significativamente, pelo teste dms de Fisher (=0,05).
Comparaes mltiplas de mdias
Se os dois fatores qualitativos especficos so no estruturados, inferncias referentes

aos efeitos principais e aos efeitos simples, apropriadas respectivamente nas situaes de
ausncia e presena de interao dos fatores, podem ser efetuadas por procedimento de
comparaes mltiplas. Essas comparaes podem ser efetuadas pelo teste dms de Fisher, ou
pelos testes de Tukey ou de Duncan (Seo 2.5). Agora, o divisor r das expresses dos critrios
desses testes (que na situao de um nico fator com igual nmero de repeties para todos os
nveis o nmero de repeties comum dos tratamentos) o nmero comum de observaes
que contribuem para as mdias que se comparam. Os critrios para esses testes so,
respectivamente, os seguintes:
^
dms = t(; ) Var( yi yi ' ) ,
^
= q(; t; )
1
Var( yi yi ' ) ,
2
^
wa = qa(; )
1
Var( yi yi ' ) ,
2
com as seguintes expresses para o estimador da varincia da diferena de duas mdias,
Var( yi yi ' ) :
^
2 s2
- comparaes de nveis do fator A globais para os nveis do fator B: ,
br
2 s2
- comparaes de nveis do fator B globais para os nveis do fator A: ,
ar
2 s2
- comparaes de nveis do fator B para um nvel especfico do fator A: ,
r
2 s2
- comparaes de nveis do fator A para um nvel especfico do fator B: ,
r
onde a e b so os nmeros de nveis dos fatores A e B, respectivamente, e s2 = QM Erro com
graus de liberdade.
O procedimento para comparaes referentes a efeitos simples ilustrado no final do
Exemplo 4.5.
Contrastes mais genricos referentes a efeitos principais e a efeitos simples, ou seja, a
mdias de um fator globais para os nveis do outro fator ou a mdias especficas para um dos
nveis do outro fator, da forma: C = c1y1 + c2y2 + ... + ctyt, podem ser testados pela estatstica:
c y + c 2 y 2 +...+ c t y t
t= 1 1 ,
s C
onde:
^
s C = ,
Var(C)
^
so generalizaes das respectivas expresses anteriores de estimadores de
e Var(C)
diferenas de duas mdias que substituem o coeficiente 2 por c12 + c 22 + ... + c 2t .
4.11.2 Um fator quantitativo e um fator qualitativo especfico

Muito frequentemente, o fator quantitativo o mais importante. Nesse caso, as
inferncias de maior interesse referem-se forma da curva de resposta ao fator quantitativo. Se
a interao mostra-se irrelevante e o efeito principal do fator qualitativo no significativo, h
indicao de que o ajustamento de uma curva comum para os diferentes nveis deste fator
apropriado. Se a interao mostra-se irrelevante e o efeito principal do fator qualitativo
significativo, as curvas de resposta para os diferentes nveis do fator qualitativo especfico so
distintas mas paralelas. Nessas circunstncias poder-se- efetuar-se o ajustamento de curvas
com parmetros comuns, com exceo da interseo. Entretanto, se a interao importante ou
revela-se significativa, curvas distintas devem ser ajustadas para os diferentes nveis do fator
qualitativo, possivelmente com um ou mais dos parmetros comuns.
Assim, o procedimento mais recomendvel o exame da similaridade dos diferentes
aspectos geomtricos da curva entre os nveis do fator qualitativo, tendo em conta seus
significados na situao experimental. Assim, por exemplo, se a relao entre a varivel
resposta e o fator quantitativo pode ser representada por uma funo polinomial de grau baixo,
seja uma funo quadrtica, pode ser melhor o exame separado da declividade e da curvatura.
Para tal, procede-se ao teste da significncia da variao em declividade entre os diferentes
nveis do fator quantitativo e a uma anlise semelhante da curvatura. Se as curvas para os
diferentes nveis do fator qualitativo no so quadrticas, pode-se adotar um mtodo

semelhante para a anlise separada dos diferentes aspectos geomtricos da curva.
Em situaes menos frequentes, o fator qualitativo especfico mais importante do
que o fator quantitativo. Nessas circunstncias, o procedimento mais recomendado iniciar
com o exame do efeito principal do fator qualitativo e, ento, proceder ao exame dos efeitos
simples do fator qualitativo para cada nvel do fator quantitativo. Dessa forma, o fator
quantitativo tratado como se fosse qualitativo.
Exemplo 4.6. Considere-se um experimento que estudou a eficincia da hidrazida
maleica na reduo da incidncia do capim anoni, e do tempo decorrido entre a aplicao da
hidrazida maleica e o preparo do solo. O experimento constou dos dois fatores e
correspondentes nveis especificados a seguir:
Fator A - Hidrazida maleica - 3 nveis (doses):
A1 - 0 kg/ha
A2 - 4 kg/ha
A3 - 8 kg/ha
Fator B - Tempo entre a aplicao da hidrazida e o preparo do solo - 2 nveis:
B1 - 3 dias
B2 - 10 dias
Embora o fator Tempo seja quantitativo, a presena de dois nveis no experimento
implica que as inferncias devem restringir-se a esses nveis, j que no h razo que justifique
a expectativa de resposta linear a esse fator. Dessa forma, esse fator deve ser tratado como
qualitativo especfico.
Os dados na Tabela 4.37 correspondem raiz quadrada do nmero de plantas de
capim anoni por quadrado de 30 cm de lado, tomado em cada parcela, aps 52 dias da
aplicao da hidrazida maleica.
Tabela 4.37. Raiz quadrada do nmero de plantas de capim anoni por quadrado
de 30 cm de lado, em cada parcela do experimento, Exemplo 4.6.
Fator Bloco
Soma
B A 1 2 3 4
3 0 15,7 14,6 16,5 14,7 61,5
4 9,8 14,6 11,9 12,4 48,7
8 7,9 10,3 9,7 9,6 37,5
10 0 18,0 17,4 15,1 14,4 64,9
4 13,6 10,6 11,8 13,3 49,3
8 8,8 8,2 11,3 11,2 39,5
Soma 73,8 75,7 76,3 75,6 301,4
Anlise da variao
A anlise da variao para os testes de significncia dos efeitos principais e interao

dos fatores Hidrazida e Tempo efetuada como no exemplo anterior. Seus resultados so
sumariados na Tabela 4.38.

Hidrazida e Tempo para o preparo do solo, Exemplo 4.6.

Bloco 3 0,5817 -
Hidrazida 2 153,6633 76,8317 29,2630 < 0,0001
Tempo 1 1,5000 1,5000 0,5713 0,4614
Hidr.x Tempo 2 0,4900 0,2450 0,0933 0,9114
Erro 15 39,3833 2,6256
Total 23 195,6183
Mdia geral: 12,56 (raiz quadrada do nmero de plantas/900cm2).
CV: 12,90%.
A interao Hidrazida x Tempo no foi significativa. Portanto, inferncias referentes

aos efeitos principais dos dois fatores so apropriadas, ou seja, pode-se concluir separadamente
para cada um dos dois fatores. O efeito principal de Hidrazida foi significativo (P<0,0001) e o
efeito principal de Tempo no foi significativo. Como Hidrazida um fator quantitativo, um
procedimento para a discriminao da variao atribuvel Hidrazida, global para Tempo, a
decomposio em componentes polinomiais ortogonais.
Decomposio da variao atribuvel ao fator Hidrazida
Os coeficientes dos contrastes correspondentes aos componentes linear e quadrtico

so dados na Tabela 4.39.
Tabela 4.39. Coeficientes dos contrastes correspondentes aos componentes

linear e quadrtico da variao atribuvel ao efeito de
Hidrazida, Exemplo 4.6.
Hidrazida
Contraste
0 4 8
Linear -1 0 1
Quadrtico 1 -2 1
Total (yi) 126,4 98,0 77,0
As somas de quadrados dos dois componentes polinomiais so obtidas a seguir:

[ 126, 4 + 77, 0]2 1
SQ Dose linear = = (-49,4)2 = 152,522,
24[( 1) +1 ]
2 2 16
[126, 4 + ( 2)98, 0 + 77, 0]2 1

SQ Dose quadrtico = = (7,4)2 = 1,141.
24[1 + ( 2) +1 ]
2 2 2 48
Os testes de significncia podem ser efetuados com o auxlio de uma tabela de anlise
da variao resumida, como a Tabela 4.40.
Tabela 4.40. Anlise da variao para os testes de significncia dos componentes

linear e quadrtico da variao atribuvel ao efeito de Hidrazida,
Exemplo 4.6.

(Hidrazida) (2) (153,6633)
Efeito linear 1 152,5225 152,5225 58,0915 < 0,0001
Efeito quadrtico 1 1,1408 1,1408 0,4345 0,5198
Erro 15 39,3833 2,6256
As concluses da anlise da variao so as seguintes:

- A interao Hidrazida maleica x Tempo para o preparo do solo no foi significativa.
- A variao entre as mdias das razes quadrados dos nmeros de plantas de capim
anoni para as trs doses de Hidrazida maleica foi significativa (P<0,0001). A decomposio
dessa variao em componentes polinomiais ortogonais revelou significncia (P<0,0001) do
componente linear e ausncia de significncia do componente quadrtico. Logo, a relao entre
raiz quadrada do nmero de plantas de capim anoni e dose de Hidrazida maleica
eminentemente linear decrescente. A determinao da equao da linha reta ajustada para
representar a relao entre nmero de plantas de capim anoni e dose de Hidrazida maleica
aplicada ao solo pode ser efetuada por procedimento indicado anteriormente (Exerccio 6,
Sesso 4.12).
Exemplo 4.7. Considerem-se os dados de um experimento que teve como propsito a
pesquisa da degenerescncia de cultivares de batatinha resultante do plantio sucessivo de batata
semente produzida em cultivos anteriores. O experimento foi conduzido em blocos
casualizados com o fator principal Ordem de plantio e com Variedade como fator suplementar,
com os correspondentes nveis especificados a seguir:
Ordem de plantio: 1 - Primeiro plantio, 2 - segundo plantio e 3 - terceiro plantio.
Cultivar: 1 - Baronesa, 2 - Piratini e 3 - Santo Amor.
O fator Ordem de plantio qualitativo ordenado. Muito frequentemente, o
procedimento de inferncia para fator qualitativo ordenado o mesmo para fator qualitativo
especifico, que restringe as inferncias aos nveis do fator na amostra. Entretanto, em algumas
circunstncias, como no presente exemplo, podem ser de interesse inferncias referentes
tendncia da resposta com o incremento da ordem do nvel do fator. Essa abordagem adotada
no presente exemplo.
Os dados de peso da produo de tubrculos de um dos locais de conduo do
experimento so apresentados na Tabela 4.41.
Tabela 4.41. Peso da produo de tubrculos de batatinha, em dag/6m2,

Bloco
Cultivar Plantio Soma
1 2 3 4
1 1 99 97 92 101 389
2 89 85 91 85 350
3 83 69 86 81 319
2 1 75 65 77 73 290
2 71 70 78 74 293
3 77 81 74 82 314
3 1 92 86 95 103 376
2 82 88 71 83 324
3 78 69 78 74 299
Soma 746 710 742 756 2.954
Anlise da variao
Os resultados da anlise da variao e dos testes de significncia dos efeitos principais

e interao dos fatores Ordem de plantio e Cultivar so sumariados na Tabela 4.42.

Plantio e Cultivar, Exemplo 4.7.

Bloco 3 131,889 -
Cultivar 2 1.105,722 552,861 21,1249 < 0,0001
Plantio 2 669,389 334,694 12,7887 0,0002
Plantio x Cultivar 4 802,778 200,694 7,6686 0,0004
Erro 24 628,111 26,171
Total 35 3.337,889
Mdia geral: 82,06 dag/6m2).
CV: 6,23%.
A interao Ordem de plantio x Cultivar foi altamente significativa (P<0,0001). Esse

resultado demanda a descrio qualitativa da interao. Nessas circunstncias, torna-se
conveniente o prosseguimento da anlise para o estudo da variao atribuvel ao fator
qualitativo ordenado Ordem de plantio, separadamente para cada um dos nveis do fator
qualitativo especfico Cultivar, por uma decomposio alternativa dos seis graus de liberdade
atribuveis ao esquema fatorial.
Essa decomposio alternativa dos 6 graus de liberdade correspondentes variao
atribuvel Plantio e interao Plantio x Cultivar efetuada por processo semelhante ao do
Exemplo 4.5. Os resultados so apresentados na Tabela 4.43.
Tabela 4.43. Anlise da variao com a decomposio da variao atribuvel

Plantio e interao Plantio x Cultivar, Exemplo 4.7.

Cultivar 2 -
Plantio | Cultivar 1 2 615,167 307,583 11,7528 0,0003
Plantio | Cultivar 2 2 85,500 42,750 1,6335 0,2162
Plantio | Cultivar 3 2 771,500 385,750 14,7396 < 0,0001
Erro 24 628,111 26,171
Os testes de significncia efetuados na Tabela 4.43 revelam elevada significncia da

variao atribuvel Ordem de plantio para as cultivares 1 e 3, e ausncia de significncia para
a cultivar 2. Ento, a anlise estatstica deve prosseguir para a anlise da variao devida
Ordem de plantio separadamente para cada cultivar. No presente exemplo, apropriado o
ajustamento de curvas polinomiais para a pesquisa da tendncia da produo com o plantio
sucessivo de batata semente de cultivo anterior. Esse ajustamento efetuado pelo
procedimento da Seo 5.3, com o auxlio da Tabela 4.44. A decomposio da variao
atribuvel Ordem de plantio em componentes polinomiais tambm pode ser efetuada para a
cultivar 2, pois, embora para essa cultivar a variao da produo no se tenha sido
significativa, algum desses componentes pode se revelar significativo.
Tabela 4.44. Coeficientes dos contrastes linear e quadrtico da variao

atribuvel ao efeito de Ordem de plantio, Exemplo 4.7.
Plantio
Contraste
1 2 3
Linear -1 0 1
Quadrtico 1 -2 1
Total: Cult. 1 389 350 319
Cult. 2 290 293 314
Cult. 3 376 324 299
As somas de quadrados dos dois componentes polinomiais correspondentes ao efeito

de Plantio para a Cultivar 1 so obtidas como segue:
[ 389 + 319]2 ( 70) 2
SQ Plantio linear | Cultivar 1 = = = 612,5 ,
4[( 1) 2 +12 ] 8
[389 + ( 2)350 + 319]2 82

SQ Plantio quadrtico | Cultivar 1 = = = 2,667.
4[12 + ( 2) 2 +12 ] 24
Os dois componentes polinomiais da variao devida a Plantio para as outras duas
cultivares so determinadas semelhantemente. Os testes de significncia podem ser efetuados
com o auxlio de uma tabela de anlise da variao resumida, como a Tabela 4.45.

linear e quadrtico da variao atribuvel Plantio para cada
Cultivar, Exemplo 4.7.

Plantio linear | Cult. 1 1 612,500 612,500 23,4038 < 0,0001
Plantio quadr. | Cult. 1 1 2,667 2,667 0,1019 0,7523
Plantio linear | Cult. 2 1 72,000 72,000 2,7511 0,1102
Plantio linear | Cult. 3 1 741,125 741,125 28,3186 < 0,0001
Erro 24 628,111 26,171
Esses resultados indicam que as variaes significativas atribuveis Ordem de

plantio para as cultivares 1 e 3 so ambas eminentemente lineares, enquanto que os dois
componentes polinomiais linear e quadrtico no se mostram significativos para a cultivar 2.
Esses resultados so coerentes com aqueles obtidos nos testes de significncias efetuados na
Tabela 4.43. Resta determinar as equaes ajustadas dos segmentos de linha reta para
exprimirem a relao entre produo de tubrculos e ordem de plantio para as cultivares 1 e 3.
Como os componentes polinomiais da variao para a cultivar 2 no foram significativos, a
correspondente linha ajustada uma reta de declividade nula, com ordenada constante
correspondente mdia das observaes para essa cultivar.
As equaes das linhas polinomiais ajustadas para cada uma das cultivares so
apresentadas na Tabela 4.46:
Tabela 4.46. Funes polinomiais ajustadas para representar a relao

entre peso da produo de tubrculos e ordem de plantio
para cada Cultivar, Exemplo 4.7.
Cultivar Equao ajustada 1

1 Baronesa y1 = 105,67 - 8,75 x
2 Piratini y2 = 74,75
3 - Santo Amor y3 = 102,50 - 9,62 x
1
x: Ordem de plantio: 1, 2, 3.
Os coeficientes negativos da varivel x (ordem de plantio) para as cultivares Baronesa

e Santo Amor revelam tendncia de decrescimento da produo com o incremento da Ordem
de plantio para estas cultivares, o que indica degenerescncia da batata semente com o plantio
sucessivo. Tal degenerescncia no evidenciada para a cultivar Piratini.
4.11.3 Dois fatores quantitativos

Muito frequentemente, os dois fatores quantitativos so igualmente importantes.
Nesse caso, as inferncias de maior interesse referem-se forma da superfcie de resposta
variao simultnea dos dois fatores. Se um dos dois fatores mais importante, o mais
indicado poder ser considerar o fator menos importante como se fosse qualitativo e adotar os
procedimentos descritos na Seo 4.11.2. O procedimento para a situao usual em que ambos
os fatores so igualmente importantes ilustrado pelo Exemplo 4.8.
Exemplo 4.8. Considere-se um experimento que teve como objetivo a pesquisa de
adubao com nitrognio e fsforo para o cultivo do aspargo. O experimento constou dos dois
fatores e correspondentes nveis especificados a seguir:
Nitrognio (Sulfato de amnio):
N1 - 0 kg/ha de N,
N2 - 50 kg/ha de N,
N3 - 100 kg/ha de N.
Fsforo (Superfosfato triplo):
P1 - 0 kg/ha de P2O5,
P2 - 60 kg/ha de P2O5,
P3 - 120 kg/ha de P2O5.
O experimento foi conduzido em blocos casualizados. Os dados de peso da produo
de turies, em decagramas por parcela de 13m2, so apresentados na Tabela 4.47.
Tabela 4.47. Peso da produo de turies de aspargo, em dag/13m2,

Bloco
N P Soma
1 2 3 4
1 1 250 231 237 252 970
2 288 225 226 217 956
3 247 223 222 253 945
2 1 259 245 218 243 965
2 273 259 268 279 1.079
3 293 271 286 298 1.148
3 1 260 239 227 254 980
2 266 243 241 325 1.075
3 281 276 272 265 1.094
Soma 2.417 2.212 2.197 2.386 9.212
A anlise da variao para os testes de significncia dos efeitos principais e interao

de Nitrognio e Fsforo e os resultados desses testes so sumariados na Tabela 4.48.
Tabela 4.48. Anlise da variao para os testes de significncia dos efeitos

principais e interao dos fatores N e P, Exemplo 4.8.

Bloco 3 4.378,00 -
N 2 5.060,39 2.530,19 8,846 0,0013
P 2 3.276,06 1.638,03 5,727 0,0093
NxP 4 2.938,11 734,53 2,568 0,0639
Erro 24 6.865,00 286,04
Total 35 22.517,56
2
Mdia geral: 255,9 dag/13m ).
CV: 6,61%.
A interao Nitrognio x Fsforo no foi significativa, mas aproximou-se do nvel

mnimo de significncia (=0,05). Esse resultado pode indicar que a variao da resposta a um
dos fatores depende do nvel do outro fator. Nessas circunstncias, pode ser apropriado
prosseguir a anlise com a decomposio dos efeitos principais e da interao dos fatores N e P
nos correspondentes componentes polinomiais, para o ajustamento de uma funo polinomial
nestes dois fatores para uma representao analtica aproximada da superfcie de resposta.
Os coeficientes dos contrastes correspondentes aos componentes polinomiais dos
efeitos principais e da interao dos fatores N e P podem ser construdos com o auxlio da
Tabela A7 do Apndice. Para a gerao apropriada dos coeficientes dos componentes
polinomiais da interao N x P, os coeficientes para os componentes polinomiais dos efeitos
principais de N e de P, cada um com trs nveis, devem ser convenientemente expandidos para
as trs combinaes dos nveis de cada um desses fatores com os trs nveis do outro fator. Os
coeficientes dos quatro contrastes referentes aos componentes da interao so, ento, os
produtos dos coeficientes dos correspondentes componentes dos efeitos principais. Esses
coeficientes esto na Tabela 4.49, onde N' e N'' simbolizam os componentes linear e
quadrtico de N.
Tabela 4.49. Coeficientes dos contrastes correspondentes aos componentes polinomiais

dos efeitos principais e interao dos fatores N e P, Exemplo 4.8.
c 2i
N1 N2 N3
Componente
C
P1 P2 P3 P1 P2 P3 P1 P2 P3
N' -1 -1 -1 0 0 0 1 1 1 6 278
N'' 1 1 1 -2 -2 -2 1 1 1 18 -364
P' -1 0 1 -1 0 1 -1 0 1 6 272
P'' 1 -2 1 1 -2 1 1 -2 1 18 -118
N'xP' 1 0 -1 0 0 0 -1 0 1 4 139
N''P' -1 0 1 2 0 -2 -1 0 1 12 -277
N'xP'' -1 2 -1 0 0 0 1 -2 1 12 -79
N''xP'' 1 -2 1 -2 4 -2 1 -2 1 36 17
Total 970 956 945 965 1.079 1.148 980 1.075 1.094
As somas de quadrados desses contrastes so obtidas do modo usual. As somas dos

quadrados dos coeficientes dos contrastes e as estimativas dos contrastes constam das duas
ltimas colunas da Tabela 4.49. Assim, por exemplo,
278 2
SQ N' = = 3.220,17 .
4 x6
Os resultados da anlise da variao com a decomposio dos efeitos principais e interao de
N e P nos componentes polinomiais e dos correspondentes testes de significncia so
sumariados na Tabela 4.50.

polinomiais dos efeitos principais e da interao dos fatores N e P,
Exemplo 4.8.

Bloco 3 4.378,00 -
N' 1 3.220,17 3.220,17 11,258 0,0026
P' 1 3.082,67 3.082,67 10,777 0,0031
N'' 1 1.840,22 1.840,22 6,433 0,0181
P'' 1 193,39 193,39 0,676 0,4190
N'xP' 1 1.207,56 1.207,56 4,222 0,0510
N''P' 1 1.598,52 1.598,52 5,588 0,0265
N'xP'' 1 130,02 130,02 0,455 0,5066
N''xP'' 1 2,01 2,01 0,007 0,9339
Erro 24 6.865,00 286,04
Total 35 22.517,56
Logo, os componentes N', P', N'' e N''xP' foram significativos e o componente N'xP'
aproximou-se do nvel mnimo de significncia (=0,05); os demais componentes polinomiais
dos efeitos principais e da interao de N e P no foram significativos. Nessas circunstncias, a
equao polinomial a ajustar deve compreender os efeitos lineares de N e P, o efeito quadrtico
de N e a interao entre o efeito quadrtico de N e o efeito linear de P. Como a interao dos
efeitos lineares de N e P aproximou-se do nvel mnimo de significncia, o pesquisador pode
decidir por sua incluso na equao. Neste caso, a equao polinomial a ajustar da forma:
E( y ) = B 0 + B1N + B 2 P + B3 N + B 4 N P .
O ajustamento dessa equao polinomial nos dois fatores N e P pode ser procedido
pelo mtodo de regresso linear mltipla, do qual se tratar adiante.
4.12 Exerccios
1. Os dados que seguem so os ganhos de peso de cordeiros do desmame ao abate, em
kg/animal, correspondentes a um experimento em blocos casualizados que teve como
propsito o estudo dos efeitos da suplementao com sal mineral e calcrio:
Bloco
Tratamento
1 2 3 4 5 6
A0B0 16 22 16 10 18 8
A0B1 28 27 17 20 23 23
A1B0 16 25 16 15 19 17
A1B1 28 30 19 18 24 25
onde A0 e A1 indicam ausncia e presena de sal mineral, respectivamente, e B0 e B1 ,

ausncia e presena de calcrio.
a) Determine as estimativas dos efeitos principais de A e B e da interao AxB.
b) Determine as somas de quadrados para os efeitos principais e a interao por meio dos
contrastes apropriados.
c) Efetue a anlise da variao para os testes dos efeitos principais e da interao de sal
mineral e calcrio.
d) Efetue a decomposio da interao, se apropriado.
e) Calcule o coeficiente de variao do experimento.
f) Interprete os resultados e redija as concluses do experimento.
2. A tabela que segue apresenta os resultados, em kg/parcela, de um experimento de
fertilizao do solo com N, P e K para a cultura do arroz irrigado.
Tratamento
Bloco
(1) a b Ab c ac bc abc
1 8 17 24 28 19 16 27 30
2 10 15 28 18 17 25 16 23
3 18 19 20 23 15 22 17 25
a) Efetue a anlise da variao para os testes referentes aos efeitos principais e s

interaes de N, P e K (determine as somas de quadrados por meio dos contrastes
apropriados).
b) Determine o coeficiente de variao do experimento.
c) Interprete os resultados e redija as concluses do experimento.
3. Os resultados que seguem provm de um experimento fatorial conduzido com o propsito
de pesquisar o efeito da inoculao de semente de soja com rizobium, com dois fatores: A -
cultivar de soja e B - inoculao da semente (B1 - sem e B2 -com):
Bloco
Combinao
1 2 3 4 5
A1B1 17 19 18 20 21
A1B2 21 22 16 23 28
A2B1 19 25 17 25 29
A2B2 11 18 13 20 18
a) Efetue a anlise da variao para os testes de significncia referentes aos efeitos

principais e interao dos dois fatores.
b) Efetue a decomposio da interao, se apropriado.
c) Determine o coeficiente de variao para o experimento.
d) Interprete os resultados e redija as concluses do experimento.
4. Um experimento conduzido para estudar as diferenas dos efeitos de quatro tratamentos
sobre as respostas de cobaias a certo estmulo. Tendo em conta as diferenas de idade das
48 cobaias disponveis para o experimento, adotado o bloqueamento por idade,
conduzindo-se o experimento em doze blocos de quatro indivduos.
a) Descreva um processo de casualizao apropriado para o experimento.
Suponha que os dados so obtidos, a anlise estatstica executada e que alguns dos
seus resultados so os apresentados a seguir.
Bloco 220
Tratamento 104
Erro
Total 456
a) Complete a anlise da variao.

b) Os blocos foram efetivos no controle da heterogeneidade do material experimental?
Justifique a resposta.
c) Os quatro tratamentos so as combinaes dos nveis de dois fatores A e B, cada um
com dois nveis: ausncia e presena. Efetue os testes de significncia referentes aos
efeitos principais e interao dos fatores A e B pela estatstica F, sabendo que os
quadrados mdios para os efeitos principais dos fatores A e B so 24 e 64,
respectivamente.
5. Um experimento foi conduzido com o propsito de estudar os efeitos de trs raes (fator
A), cada uma administrada em trs doses (fator B) sobre o ganho de peso de leites da raa
Duroc. Os resultados (em kg/animal) esto na tabela que segue:
A2 A1 A0
Bloco Soma
B2 B1 B0 B2 B1 B0 B2 B1 B0
1 26 33 28 14 18 21 28 10 11 189
2 30 28 26 24 31 18 20 16 14 207
3 20 24 17 24 23 13 8 11 13 153
4 24 27 17 22 12 8 24 19 18 171
Soma 100 112 88 84 84 60 80 56 56 720
a) Efetue a anlise da variao para os testes de significncia dos efeitos principais e da

interao dos fatores.
b) Efetue a decomposio da interao, se apropriado.
d) Interprete os resultados e redija as concluses do experimento.
6. Complete o Exemplo 4.6, respondendo s seguintes questes:
a) Qual a curva polinomial que "melhor" se ajusta resposta da raiz quadrada do nmero
de plantas de capim anoni dose de Hidrazida maleica? Justifique a resposta.
b) Verifique que a equao da curva polinomial que melhor se ajusta para exprimir a
resposta mdia da raiz quadrada do nmero de plantas de capim anoni por quadrado de
30 cm dose de Hidrazida maleica :
y = 15,6458 - 0,7719x.
Ento, a equao que exprime a resposta referida a nmero de plantas de capim anoni
por quadrado de 30 cm de lado :
n = (15,6458 - 0,7719x)2 =
= 244,79 - 24,154x + 0,5958x2.
7. Os dados que seguem (produo de palha por parcela) provm de um experimento
executado para o estudo da influncia do espaamento em variedades de trigo:
Bloco
Var. Espaam. Soma
1 2 3 4
4 56 45 43 46 190
V1 8 60 50 45 48 203
12 66 57 50 50 223
4 65 61 60 63 249
V2 8 60 58 56 60 234
12 53 53 48 55 209
4 60 61 50 53 224
V3 8 62 68 67 60 257
12 73 77 77 65 292
Soma 555 530 496 500 2.081
a) Efetue a anlise da variao e os testes de significncia referentes aos efeitos principais

e interao dos fatores Espaamento e Variedade e redija as concluses da anlise
estatstica.
b) Efetue a anlise de regresso polinomial para exprimir a relao entre produo de
palha e espaamento, para cada variedade.
c) Construa um grfico com as trs equaes de regresso e faa consideraes a respeito
da interao com base no grfico.
8. Um experimento fatorial 4x3 foi conduzido para a pesquisa da calagem e da fertilizao
fosfatada para o cultivo de trevo branco. Os resultados que seguem correspondem
produo de matria seca, em gramas por parcela, onde A e B denotam calagem e adubao
fosfatada, respectivamente.
A
B Bloco 1 Bloco 1 Bloco 3
0 1 2 0 1 2 0 1 2
0 20 24 21 24 23 13 8 11 13
1 24 27 17 22 12 8 24 19 18
3 26 33 28 14 18 21 28 10 11
4 30 28 26 24 31 18 20 16 14

e interao dos fatores calagem e adubao.
b) Efetue o ajustamento de uma curva de regresso polinomial para exprimir a relao
entre a produo de matria seca e a adubao fosfatada, globalmente para os trs nveis
de calagem.
c) Idem, separadamente para cada nvel de calagem.
9. Foi efetuado um experimento com o propsito de comparar os efeitos de dois fermentos
(fator A) para preparo de bolo em trs temperaturas de cozimento (fator B). O experimento
foi conduzido em seis filiais de uma cadeia de confeitarias durante os seis dias da semana.
A estrutura do experimento correspondeu a um quadrado latino com local e dia da semana
constituindo linha e coluna. Os seguintes dados so os resultados correspondentes altura

de crescimento do bolo, onde, em cada clula, o nmero superior indica a combinao dos
nveis dos fatores Fermento e Temperatura de cozimento, nesta ordem, e o nmero inferior
exprime a altura de crescimento do bolo (em cm):
1-1 2-3 2-1 1-3 1-2 2-2

1,1 1,8 0,8 1,9 1,9 0,3
2-2 2-1 1-2 1-1 2-3 1-3
1,3 0,9 2,3 1,9 2,8 2,2
1-3 1-2 2-3 2-2 2-1 1-1
1,9 1,3 2,1 1,4 0,8 2,1
2-3 2-2 1-3 1-2 1-1 2-1
2,3 0,5 1,6 1,3 0,9 0,6
2-1 1-3 1-1 2-3 2-2 1-2
1,7 1,2 0,3 1,9 0,6 1,5
1-2 1-1 2-2 2-1 1-3 2-3
2,5 1,5 0,7 1,2 2,6 2,3
Fator A: 1 - Fermento A1 Fator B: 1 - 150 graus Celsius

2 - Fermento A2 2 - 200 graus Celsius
3 - 250 graus Celsius

e interao de Fermento e Temperatura de cozimento.
b) Efetue os testes de significncia para o ajustamento de uma curva de resposta
polinomial do crescimento do bolo em relao temperatura de cozimento, global ou
separadamente para fermentos, segundo seja apropriado.
c) Estabelea as equaes polinomiais determinadas no item anterior.
d) Calcule o coeficiente de variao para o experimento.
e) Interprete os resultados e redija as concluses da anlise estatstica.
10. Os resultados totais de quatro repeties (em kg) de um experimento de adubao NPK em
batatinha e outras informaes sobre o experimento so dados a seguir:
P2 P1 P0
N2 N1 N0 N1 N2 N0 N2 N1 N0
K2 26 33 28 14 18 21 28 10 11
K1 20 18 25 24 31 28 30 16 14
K0 8 24 22 13 23 20 8 13 11
Nveis dos fatores:

N: 0, 60 e 120 kg/ha de N ,
P: 0, 40 e 80 kg/ha de P2O5 ,
K: 0, 30 e 60 kg/ha de K2O.
SQ Bloco = 976,5; SQ Total = 4.383,0.
a) Efetue a anlise da variao para os testes de significncia referentes aos efeitos

principais e s interaes dos fatores N, P e K.
b) Efetue a decomposio da variao entre os nveis dos fatores e das interaes de modo
apropriado, segundo os resultados dos testes efetuados no item anterior
c) Calcule o coeficiente de variao do experimento.
d) Redija as concluses da anlise estatstica.
11. Os dados que seguem so resultados parciais da anlise estatstica do peso da produo de
gros (g/parcela) de um experimento de adubao com fsforo e potssio para a cultura da
soja, conduzido com delineamento blocos casualizados:
K2 K1 K0 Soma
P2 56 84 100 240
P1 80 88 84 252
P0 112 60 56 228
Soma 248 232 240 720
Nveis dos fatores P e K:

P: 0, 60 e 120 kg P2O5/ha;
K: 0, 30 e 60 kg K2O/ha.
Soma de quadrados do resduo: 680,00 com 24 graus de liberdade.
a) Efetue, os testes de significncia referentes aos efeitos principais e interao dos

fatores P e K.
b) Decomponha a interao PxK, se apropriado.
c) Decomponha os 8 graus de liberdade dos efeitos principais e da interao P e K nos
componentes polinomiais: P', P'', K', K'', P'K', P'K'', P''K' e P''K''; onde P' e P'' denotam
os efeitos linear e quadrtico de fsforo, respectivamente.
d) Efetue o ajustamento de uma curva polinomial para estimar a relao entre a resposta da
produo e o fsforo aplicado ao solo (globalmente para os trs nveis de potssio).
e) Idem, separadamente para cada um dos trs nveis de potssio.
12. Os dados abaixo provm de um experimento com cenoura conduzido para estudar o efeito
da densidade de plantio (kg/ha de semente) sobre o rendimento de duas variedades:
Dens. Bloco
Var.
plantio. 1 2 3
T 1,5 4,20 4,94 4,45
2,0 4,36 3,50 4,17
2,5 5,40 4,55 5,75
3,0 5,15 4,40 3,90
H 1,5 2,82 3,14 3,80
2,0 3,74 4,43 2,92
2,5 4,82 3,90 4,50
3,0 4,57 5,32 4,35
a) Efetue a anlise da variao para os testes de significncia dos efeitos principais de

variedade e densidade de plantio e da interao entre estes dois fatores.
b) Efetue o ajustamento de uma curva de resposta polinomial para exprimir a relao entre
o rendimento e a densidade de plantio, global para as duas variedades ou separado para
cada variedade, conforme seja apropriado.
d) Sumarie os resultados em uma tabela de mdias e redija as concluses da anlise
estatstica.
5 Delineamentos com Parcelas Divididas
Contedo
5.1 Caracterizao....................................................................................................... 185

5.2 Usos....................................................................................................................... 186
5.3 Vantagens e Desvantagens.................................................................................... 188
5.4 Casualizao.......................................................................................................... 188
5.5 Anlise Estatstica................................................................................................. 190
5.6 Exerccios.............................................................................................................. 205
5.1 Caracterizao
Os delineamentos com parcelas divididas so especialmente apropriados para certos

experimentos fatoriais.
No caso de dois fatores, o delineamento com parcelas divididas mais comum consiste
em atribuir os nveis de um dos fatores s parcelas dispostas segundo um delineamento
experimental bsico apropriado - completamente casualizado, blocos casualizados, quadrado
latino, ou um delineamento com blocos incompletos, e os nveis do outro fator s divises das
parcelas.
As parcelas do delineamento bsico so denominadas parcelas principais ou, mais
simplesmente, parcelas; as suas divises so denominadas subparcelas.
As parcelas principais constituem "blocos" (ou sub-blocos, no caso em que o
delineamento bsico blocos casualizados) para o fator alocado s subparcelas. De fato, as
parcelas principais so blocos incompletos, j que cada parcela compreende o subconjunto dos
tratamentos constitudo pelas combinaes particulares com o nvel do fator em parcela que lhe
atribudo aleatoriamente.
Nessas circunstncias, delineamentos com parcelas divididas compreendem duas
categorias de unidades experimentais. A unidade experimental para o fator em parcelas a
parcela; para o fator em subparcelas a subparcela.
Dessa forma, esses delineamentos atribuem nmero de unidades experimentais, ou
seja, de repeties, mais elevado para o fator alocado em subparcelas do que para o fator
alocado em parcelas. Consequentemente, atribuem maior preciso para inferncias referentes
ao fator em subparcelas.
De fato, esses delineamentos em parcelas divididas provm duas distintas categorias
de erro experimental e, portanto, duas estimativas para a varincia do erro experimental; uma
186 Estatstica Experimental. 2. Anlise Estatstica de Experimento
proveniente da variao entre as parcelas e a outra, da variao entre as subparcelas dentro de

parcelas. Usualmente, essa segunda estimativa mais precisa do que a primeira, por ser
baseada em nmero de repeties mais elevado e, portanto, em um nmero maior de graus de
liberdade. Inferncias referentes ao fator em subparcelas e interao dos fatores em parcelas e
em subparcelas so baseadas nesta estimativa, enquanto que inferncias referentes ao fator em
parcelas so baseadas na primeira estimativa, de preciso mais baixa.
Nas exposies tericas, usual a designao do fator em parcelas principais de fator
A e o fator em subparcelas de fator B.
Exemplo 5.1. Considere-se um experimento com o objetivo de pesquisar o efeito da
adubao verde com leguminosa (fator L) em pomar de videira, com quatro leguminosas L1, L2,
L3 e L4. Outro fator Nitrognio considerado no experimento para simular dois nveis de
fertilidade do solo quanto disponibilidade de nitrognio - nvel usual e nvel elevado: N1 e N2.
Neste caso, Leguminosa o fator de maior interesse e Nitrognio demanda unidade
experimental de maior dimenso do que Leguminosa. Para essas circunstncias um
delineamento adequado parcelas divididas com o fator Nitrognio em parcelas e o fator
Leguminosa em subparcelas. O croqui do experimento para a situao de delineamento bsico
blocos casualizados com quatro repeties, com disposio dos tratamentos resultante do
processo de casualizao, apresentado na Figura 5.1.
Bloco 1
Parcela Bloco 2
N1 N0 N0 N1
L2 L3 L1 L4 L1 L3 L2 L4 L4 L2 L1 L3 L2 L3 L1 L4
Bloco 3 Bloco 4
N0 N1 N0 N1
L2 L3 L1 L4 L1 L3 L2 L4 L4 L2 L1 L3 L2 L3 L1 L4
Figura 5.1. Croqui de um experimento em blocos casualizados (quatro blocos)

com parcelas divididas com o fator Nitrognio em parcelas e o
fator Leguminosa em subparcelas.
Observe-se que neste Exemplo 5.1, o nmero de repeties (unidades experimentais)

para cada nvel do fator Nitrognio (em parcelas) r=4; para cada nvel do fator Leguminosa
(em subparcelas) ar = 2x4 = 8.
5.2 Usos
Delineamentos com parcelas divididas podem ser utilizados nas seguintes situaes:
a) Um dos fatores requer unidade experimental de maior dimenso - Esse fator deve
ser alocado s parcelas principais. Essa situao ilustrada pelo Exemplo 5.1, em que o fator
Nitrognio requer unidade experimental de maior dimenso, possivelmente com a unidade de
observao compreendendo uma frao interna da unidade experimental (com a excluso de
5. Delineamentos com Parcelas Divididas 187
"bordaduras" laterais), em decorrncia da possibilidade de deslocamento horizontal do

nitrognio no solo
b) Deseja-se maior preciso para um dos fatores. Essa a situao quando h um fator
principal no experimento e um ou mais fatores suplementares, includos para aumentar a base
de inferncia (isto , aumentar a amplitude de validade dos resultados do experimento). O fator
principal deve ser alocado em subparcelas, para que seja atribuda preciso apropriadamente
elevada para as inferncias mais relevantes para os propsitos do experimento.
Muito frequentemente, o pesquisador se defronta com incompatibilidade no
atendimento simultneo a esses dois requisitos em um experimento fatorial. Tambm com
alguma frequncia o pesquisador opta pelo atendimento a convenincias de ordem prtica,
como maior facilidade na instalao e conduo do experimento ou economia de recursos,
como a que pode decorrer da alocao s parcelas principais do fator que demanda unidade
experimental de maior dimenso. Essa opo no deve ser tomada em prejuzo da atribuio do
nvel apropriado de preciso para as inferncias mais relevantes para os objetivos do
experimento. Assim, na situao do Exemplo 5.1, o delineamento com parcelas divididas
apropriado porque Leguminosa o fator mais importante e Nitrognio um fator suplementar.
Entretanto, esse delineamento seria inadequado se Nitrognio fosse o fator principal. Nesse
ltimo caso, seria mais apropriado o delineamento blocos casualizados sem diviso de parcelas,
ou seja, com as oito combinaes dos nveis dos fatores Leguminosa e Nitrognio atribudas de
modo completamente aleatrio s oito parcelas de cada bloco.
De modo geral, delineamentos com parcelas divididas no so recomendveis quando
os dois requisitos a) e b) no possam ser atendidos. Nessas circunstncias, um delineamento
sem diviso de parcelas geralmente mais apropriado.
A famlia dos delineamentos com parcelas divididas extremamente numerosa. Ela
compreende todos os delineamentos que podem resultar de muitas diversas formas e nveis de
divises de parcelas e de blocos. Entre eles, os delineamentos com uma e duas subdivises
sucessivas das parcelas (respectivamente denominados delineamentos com parcelas
subdivididas e delineamentos com parcelas subsubdivididas) e os delineamentos
comumente designados blocos divididos em faixas. Por outro lado, ela compreendida e
relacionada com os delineamentos experimentais para experimentos fatoriais comumente
denominados delineamentos com confundimento. Na exposio que segue ser restrita
considerao aos delineamentos com parcelas divididas mais simples e mais usuais - derivados
da diviso simples das parcelas de um delineamento bsico completamente casualizado, blocos
casualizados ou quadrado latino.
Experimentos com medidas repetidas ao longo do tempo sobre as unidades
experimentais so muito frequentemente analisados pelos mesmos procedimentos apropriados
para experimentos com parcelas divididas. Em tais experimentos, as observaes sobre uma
mesma unidade experimental em instantes diferentes so consideradas como observaes em
subdivises (subparcelas) da unidade. Esses delineamentos so comumente denominados
parcelas divididas no tempo, enquanto que os delineamentos usuais com parcelas divididas,
em que ocorre uma diviso fsica das parcelas, so denominados parcelas divididas no
espao.
5.3 Vantagens e Desvantagens
As principais vantagens e desvantagens de um delineamento com parcelas divididas

para um experimento com dois fatores A e B relativamente a um delineamento constitudo pelo
mesmo delineamento bsico com as combinaes dos nveis dos dois fatores A e B atribudas
aleatoriamente a parcelas no divididas so as seguintes:
a) Um delineamento com parcelas divididas atribui maior preciso para inferncias
referentes ao fator B, em subparcelas, e interao AxB, em decorrncia de atribuir maior
nmero de graus de liberdade para a estimativa da varincia do erro experimental
correspondente a subparcelas. Nessas circunstncias, um delineamento com parcelas divididas
vantajoso quando o fator principal, ou mais importante, alocado s subparcelas.
b) Permite combinar, convenientemente, em um mesmo experimento fator que exige
unidades experimentais relativamente grandes e fator que requer unidades experimentais de
pequenas dimenses. Um delineamento com parcelas divididas vantajoso nessas situaes,
desde que o fator que demande unidade experimental de maior dimenso seja o fator menos
importante, ou seja, um fator secundrio.
c) A anlise estatstica mais complexa para delineamentos em parcelas divididas, j
que h duas categorias de unidades experimentais e, em consequncia, duas distintas categorias
de erro experimental (ou dois diferentes componentes do erro experimental), uma para parcelas
e outro para subparcelas. Com os recursos de computao atualmente disponveis, essa
desvantagem irrelevante.
Deve ser observado que a mdia ponderada dos dois componentes da variao
atribuvel ao erro experimental (com pesos constitudos pelos respectivos graus de liberdade)
de um delineamento com parcelas divididas igual ao nico componente do erro que seria
provido pelo mesmo delineamento bsico sem diviso da parcela. Portanto, globalmente, no
h ganho lquido de preciso com o uso de delineamento em parcelas divididas. O ganho de
preciso para o fator em subparcelas em um delineamento com parcelas divididas obtido a
custas da perda de preciso para o fator em parcelas.
5.4 Casualizao
A casualizao procedida em duas etapas:

Etapa 1 - Atribui-se os nveis do fator em parcelas - fator A - s parcelas principais
pelo processo apropriado para o delineamento bsico adotado - completamente casualizado,
blocos casualizados, etc.
Etapa 2 - Atribui-se os nveis do fator em subparcelas - fator B - s subparcelas de
cada parcela completamente ao acaso, separada e independentemente para cada parcela.
Exemplo 5.2. Considere-se um experimento em r=4 blocos casualizados com a=5
nveis de Nitrognio (N0,N1,N2,N3,N4) em parcelas principais e b=3 variedades (V1,V2,V3) em
subparcelas.
Constri-se um croqui do experimento (no caso de experimento com as unidades
experimentais dispostas espacialmente, o croqui corresponde a um mapa do experimento), com
cada um dos quatro blocos dividido em cinco parcelas, cada uma destas dividida, por sua vez,
em trs subparcelas (Figura 5.2).
Bloco 1 Bloco 2 Bloco 3 Bloco 4

1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5
Figura 5.2. Croqui com a disposio das parcelas e subparcelas para um experimento em
blocos casualizados (quatro blocos) com parcelas divididas com um fator em
cinco nveis em parcelas e um fator em trs nveis em subparcelas.
Etapa 1 - Atribui-se os cinco nveis de Nitrognio s cinco parcelas de cada um dos

quatro blocos, segundo o processo de casualizao apropriado para o delineamento blocos
casualizados - sorteio separado e independente para cada bloco. A Figura 5.3 mostra o croqui
com a disposio dos nveis do fator em parcelas - Nitrognio - que poderia resultar desta etapa
do processo de casualizao.

N4 N3 N1 N0 N2 N1 N0 N2 N4 N3 N0 N1 N4 N3 N2 N2 N3 N4 N1 N0
Figura 5.3. Croqui com a disposio dos nveis do fator em parcelas (Nitrognio,
com cinco nveis) de um experimento em blocos casualizados com
parcelas divididas.
Etapa 2 - Divide-se cada uma das 20 (rxa=4x5) parcelas principais em trs

subparcelas. Atribui-se as trs variedades s trs subparcelas de cada uma das 20 parcelas
principais, segundo o processo de casualizao do delineamento blocos casualizados,
considerando as parcelas como blocos. Um resultado final do processo de casualizao
apresentado na Figura 5.4.

N4 N3 N1 N0 N2 N1 N0 N2 N4 N3 N0 N1 N4 N3 N2 N2 N3 N4 N1 N0
V2 V1 V1 V2 V3 V3 V2 V1 V3 V3 V1 V3 V1 V1 V2 V3 V3 V1 V2 V2
Figura 5.4. Croqui com a disposio dos tratamentos resultante do processo de

casualizao de um experimento em blocos casualizados (quatro
blocos) com o fator Nitrognio (em cinco nveis) em parcelas e o
fator Variedade (em quatro nveis) em subparcelas.
5.5 Anlise Estatstica
Anlise da variao
O processo da anlise da variao para um delineamento com parcelas divididas

facilmente entendido pela interpretao desse delineamento como a composio de dois
delineamentos. Assim, por exemplo, o delineamento blocos casualizados com parcelas
divididas com o fator A em parcelas, o fator B em subparcelas (respectivamente com a e b
nveis) e r blocos a composio dos dois seguintes delineamentos:
r blocos casualizados com a tratamentos, em que a unidade experimental a
parcela principal;
ar blocos (parcelas principais, ou sub-blocos) com b tratamentos, em que a
unidade experimental a subparcela.
Assim, a anlise da variao para o delineamento blocos casualizados com parcelas
divididas pode ser obtida pela composio de duas anlises de variao, uma para cada um
desses dois delineamentos, conforme indicado a seguir.
Anlise 1 - Anlise de parcelas, efetuada segundo o esquema da anlise da variao
para blocos casualizados (r blocos) com a tratamentos (nveis do fator A). Essa anlise utiliza
como dados bsicos os totais das parcelas principais e efetuada segundo o esquema usual
(Tabela 5.1).
Tabela 5.1. Esquema da anlise da variao para parcelas de um delineamento

em blocos casualizados com parcelas divididas com fator A em
parcelas e fator B em subparcelas.
Fonte de variao GL
Bloco r-1
A a-1
Erro A (a-1)(r-1)
Total A (Parcela) ar-1
Para que esta anlise possa ser composta com a anlise dos resultados em subparcelas,
todas as somas de quadrados so determinadas de modo a serem expressas com referncia
subparcela. Desse modo, os divisores das somas de quadrados alteram-se em relao s
expresses usuais, pela incluso do fator adicional b.
Anlise 2 - Anlise de subparcelas, procedida segundo o esquema da anlise da
variao para blocos casualizados com b tratamentos (nveis do fator B) e ar blocos
constitudos pelas parcelas principais. Essa anlise utiliza como dados bsicos os dados
individuais das subparcelas. Nessa anlise a interao Parcela x Fator B, com (ar-1)(b-1) graus
de liberdade, que constitui o erro usual de delineamento blocos casualizados, inclui a variao
entre subparcelas que atribuvel ao erro experimental e a interao AxB. Essas duas fontes de
variao devem ser separadas, dada a usual relevncia da interao AxB. O esquema
apropriado dessa anlise da variao indicado na Tabela 5.2.
Tabela 5.2. Esquema da anlise da variao para subparcelas de um delineamento

em blocos casualizados com parcelas divididas com fator A em
parcelas e fator B em subparcelas.
Fonte de variao GL
"Bloco" (Parcela) ar-1
B b-1
AxB (a-1)(b-1)
=(ar-1)(b-1)
Erro B a(b-1)(r-1) 1
Total B (Subparcela) abr-1
Nessa anlise, a interao AxB separada do erro por convenincia, j que

usualmente uma fonte de variao importante.
Usualmente, o resultado da anlise da variao para um delineamento em parcelas
divididas apresentado em uma nica tabela de anlise da variao. O esquema usual da
anlise da variao para um experimento fatorial com dois fatores A e B em blocos
casualizados com parcelas divididas dado na Tabela 5.3, ao lado do correspondente esquema
para o mesmo delineamento bsico sem diviso da parcela (a unidade experimental
corresponde, neste caso, subparcela), para propsitos de comparao.
Tabela 5.3. Esquema da anlise da variao para um experimento com dois fatores
A e B com delineamento: i) blocos casualizados; ii) blocos
casualizados com parcelas divididas, com o fator A em parcelas e o
fator B em subparcelas.
i) Blocos casualizados ii) Blocos casualizados com

parcelas divididas
Fonte de variao GL Fonte de variao GL

Bloco r-1 Bloco r-1
A a-1 A a-1
B b-1 Erro A (a-1)(r-1)
AxB (a-1)(b-1) Total A (Parcela) ar-1
Erro (ab-1)(r-1) B b-1
Total abr-1 AxB (a-1)(b-1)
Erro B A(b-1)(r-1)
Total B (Subparcela) abr-1
Observem-se as relaes entre os graus de liberdade dos componentes do erro para os

dois delineamentos:
- GL Erro = GL Erro A + GL Erro B,
- GL Erro A < GL Erro B.
Na prtica, no necessrio seguir os passos de duas anlises separadas nos clculos
para a anlise de variao. A anlise da variao pode ser efetuada conjuntamente para parcelas
e subparcelas. Como usual com experimentos fatoriais, esta anlise da variao a primeira
etapa. O prosseguimento depende a importncia ou significncia da interao e das categorias
dos fatores em parcelas e em subparcelas.
O procedimento de anlise estatstica ilustrado, a seguir, por meio de exemplos.
Exemplo 5.3 - Fator qualitativo em parcelas e fator quantitativo em subparcelas.
A Tabela 5.4 apresenta os dados de produo de gros de arroz de um experimento que teve
como objetivo a pesquisa da influncia da densidade de plantio sobre o rendimento de arroz,
conduzido com delineamento blocos casualizados com parcelas divididas, com cultivares em
parcelas e densidades de plantio em subparcelas, com os seguintes nveis desses dois fatores:
Cultivar: 1 - 404, 2 - Belle Patna e 3 - Bluebelle;
Densidade: 1 - 120, 2 - 180 e 3 - 240 kg/ha.
Tabela 5.4. Produo de gros de arroz (em hg/10m2) de um experimento em

blocos casualizados com parcelas divididas, com cultivares em
parcelas e densidades de plantio em subparcelas, Exemplo 5.3.
Bloco
Cultivar Densidade Soma
1 2 3 4
120 52 41 39 42 174
C1 180 68 61 54 55 238
240 66 65 63 57 251
Soma 186 167 156 154 663
120 66 62 61 64 253
C2 180 61 57 58 63 239
240 46 45 41 48 180
Soma 173 164 160 175 672
120 61 63 53 54 231
C3 180 51 57 60 52 220
240 56 54 67 58 235
Soma 168 174 180 164 686
Soma 527 505 496 493 2.021
Para o clculo da SQ Densidade necessita-se dos totais das densidades, no

disponveis na Tabela 5.4. Em geral, conveniente organizar uma tabela auxiliar de dupla-
entrada com os totais das combinaes dos nveis dos dois fatores (nesse caso, Cultivar e
Densidade), til para os clculos das somas de quadrados dos efeitos principais e da interao
dos fatores (Tabela 5.5).
Tabela 5.5. Tabela auxiliar com os totais das combinaes dos nveis
dos fatores Variedade e Espaamento.
Cultivar
Densidade Soma
C1 C2 C3
120 174 253 231 658
180 238 239 220 697
240 251 180 235 666
Soma 663 672 686 2.021
Os clculos das somas de quadrados necessrias para a construo da tabela da anlise

da variao so indicados a seguir. Observe-se que o termo de correo e as somas de
quadrados correspondentes anlise de parcelas usam divisores apropriados, com o fator
adicional b=4 para levar em conta que cada parcela compreende quatro subparcelas, para que
todas as somas de quadrados e quadrados mdios sejam referidos subparcela.
2.0212
C= = 113.456,694,
36
1862 +167 2 +...+1642

SQ Total A = -C=
3
= 113.794,333 - 113.456,694 = 337,639,
SQ Total B = 522+412+...+582 - C =
= 115.675,00 - 113.456,694 = 2.218,306,
527 2 + 5052 + 4962 + 4932

SQ Bloco = -C=
9
= 113.535,444 - 113.456,694 = 78,750,
6632 + 6722 + 6862

SQ Cultivar = -C=
12
= 113.479,083 113.456,694 = 22,389,
6582 + 697 2 + 6662

SQ Densidade = -C=
12
= 113.527,417 - 113.456,694 = 70,723,
1742 + 2532 +...+ 2352

SQ Cult.x Dens. = - C SQ Cultivar SQ Densidade =
4
=115.109,25 - 113.456,694- 22,389 - 70,723 = 1.559,444.
As somas de quadrados do Erro A e do Erro B so obtidas por diferena, nas

respectivas faixas da tabela da anlise da variao, Tabela 5.6.
Tabela 5.6. Anlise da variao com os resultados dos testes de significncia dos
efeitos principais e da interao dos fatores Cultivar e Densidade,
alocados, respectivamente, nas parcelas e nas subparcelas do
experimento com parcelas divididas do Exemplo 5.3.

Bloco 3 78,750 -
Cultivar 2 22,389 11,194 0,284 0,7623
Erro A 6 236,500 39,417
Total A 11 337,639
Densidade 2 70,723 35,361 2,541 0,1067
Cult. x Dens. 4 1.559,444 389,861 28,013 < 0,0001
Erro B 18 250,500 13,917
Total B 35 2.218,306
2
Mdia geral: 56,14 hg/10m
CV A: 6,46%.
CV B: 6,65%.
Tambm na prpria tabela da anlise da variao, calculam-se os quadrados mdios,

dividindo, nas respectivas linhas da tabela, as somas de quadrados pelos correspondentes graus
de liberdade. Os testes de significncia referentes aos efeitos principais e interao dos dois
fatores podem ser efetuados pela estatstica F, obtida pela diviso do quadrado mdio de cada
uma das fontes Cultivar, Densidade e interao Cultivar e Densidade pelo quadrado mdio do
Erro, na correspondente faixa da tabela da anlise da variao.
Como usual para experimentos fatoriais, a apreciao dos resultados deve iniciar-se
pela interao. No presente exemplo, a interao Cultivar x Densidade foi significativa. De
fato, a Tabela 5.5 permite observar que a produo de gros da cultivar 1 aumenta
consideravelmente com o incremento da densidade de plantio, enquanto que diminui, tambm
consideravelmente, para a cultivar 2; a produo da cultivar 3 no aparenta tendncia de
variao sistemtica com a alterao da densidade de plantio. Nessas circunstncias, inferncias
referentes aos efeitos principais dos fatores perdem interesse. Inferncias devem ser derivadas
para efeitos simples dos fatores.
O fator mais importante nesse experimento Densidade de plantio, que um fator
quantitativo, enquanto o outro fator - Cultivar - qualitativo. Nessas condies, o
procedimento apropriado a derivao de inferncias referentes aos efeitos simples do fator
Densidade, pela anlise de subparcelas alternativa esquematizada na Tabela 5.7.
Tabela 5.7. Esquema da anlise da variao para os testes de significncias

referentes aos efeitos simples do fator Densidade para um
delineamento em blocos casualizados com parcelas divididas com
o fator Cultivar em parcelas e fator Densidade em subparcelas.
Fonte de variao GL
Parcela 11
Densidade | Cultivar 1 2
Erro B 18
Subparcela 35
Cada uma dessas fontes de variao corresponde variao entre os totais da

correspondente coluna da Tabela 5.5. A soma de quadrados para Densidade para a Cultivar 1
obtida como segue:
174 2 + 2382 + 2512 6632
SQ Densidade | Cultivar 1 = = 849,500.
4 12
As somas de quadrados para os outros dois componentes so obtidas de modo anlogo. Os
resultados so apresentados na Tabela 5.8.
Tabela 5.8. Anlise da variao e resultados dos testes de significncia dos efeitos simples
do fator Densidade para cada nvel do fator Cultivar, Exemplo 5.3.

Parcela 11 337,639
Densidade | C1 2 849,500 424,750 30,520 < 0,0001
Densidade | C2 2 750,500 375,250 26,963 < 0,0001
Densidade | C3 2 30,167 15,083 1,084 0,3594
Erro B 18 250,500 13,917
Subparcela 35 2.218,306
A variao entre densidades de plantio foi significativa para as cultivares 1 e 2, mas

no significativa para a cultivar 3.
Como Densidade um fator quantitativo com trs nveis, um procedimento apropriado
para a discriminao da variao entre espaamentos, para cada variedade, a decomposio
em componentes polinomiais ortogonais linear e quadrtico. A decomposio procedida
como segue:
Densidade
Componente
120 180 240
Linear -1 0 1
Quadrtico 1 -2 1
Total C1 174 238 251
C2 253 239 180
C3 231 220 235
[ 174 + 251]2 77 2
SQ Dens. | Cult.1 Linear = = =741,125,
4[( 1) 2 +12 ] 8
[174 2(238) + 251]2 ( 51) 2

SQ Dens. | Cult.1 Quadr. = = =108,375.
4[12 + ( 2) 2 +12 ] 24
O clculo das somas de quadrados para os componentes linear e quadrtico de Densidade para
cada uma das cultivares 2 e 3 procedido da mesma forma. Os resultados so resumidos na
Tabela 5.9.
Tabela 5.9. Resultado da anlise de variao com a decomposio da variao atribuvel

aos efeitos simples de Densidade, para cada Cultivar, nos componentes
polinomiais linear e quadrtico Exemplo 5.3.

Parcela 11 337,639
Dens. | C1 Linear 1 741,125 741,125 53,253 < 0,0001
" Quadr. 1 108,375 108,375 7,787 0,0121
Dens. | C2 Linear 1 666,125 666,125 47,864 < 0,0001
" Quadr. 1 84,375 84,375 6,063 0,0241
Dens. | C3 Linear 1 2,000 2,000 0,144 0,7091
" Quadr. 1 28,167 28,167 2,024 0,1719
Erro B 18 250,500 13,917
Subparcela 35 2.218,306
A curva polinomial apropriada para exprimir a relao entre a produo de gros e a

densidade de plantio no intervalo (120, 240 kg/ha de semente) quadrtica para as cultivares 1
e 2; entretanto, corroborando os resultados da Tabela 5.8, ambos componentes polinomiais
linear e quadrtico so no significativos para a cultivar 3. A equao da linha quadrtica
ajustada para a cultivar 1 determinada a seguir.
A estimativa da equao de uma curva polinomial quadrtica expressa por:
y = B
+B
0
P +B
1 1
P .
2 2
Para a cultivar 1, tem-se:

= y 1 = 663 = 55,25;
B 0
12
as estimativas dos coeficientes dos termos linear e quadrtico, B e B , providas por

1 2
expresses anlogas s das somas de quadrados dos correspondentes contrastes linear e
quadrtico, com os numeradores substitudos pelas estimativas dos respectivos contrastes, so:
77 51
B1 = = 9,625 e B2 = = -2,125;
8 24
e
t 2 1 xx
P1 = L1 X; P2 = L2 (X2 ), onde X = , L1 = 1 e L2 = 3;
12 q
donde:
x 180 x
P1 = = 3,
60 60
32 1 x2
P2 = 3(X2 ) = 3[ ( x 3)2 8 3x
]= + 25 .
12 60 12 1200 10
Logo,
x2
y 1 = 55,25 + 9,625( 3 ) - 2,125[
x 3x
+ 25 ] =
60 1200 10
= -26,75 + 0,7979 x - 0,00177 x2.

Semelhantemente, obtm-se a equao da linha quadrtica ajustada para a cultivar 2:
y 2 = 36,50 + 0,4104 x - 0,00156 x2 .
A relao entre a produo de gros e a densidade de plantio para a cultivar 3 pode ser
representada por um segmento de reta paralelo ao eixo das abscissas de ordenada igual mdia
da produo para esta cultivar ( y 3 = 686/12 = 57,17), ou seja:
y 3 = 57,17.
As concluses da anlise estatstica so resumidas a seguir:
1) Os efeitos principais de Cultivar e de Densidade de plantio no foram significativos
(P>0,05); a interao Densidade x Cultivar foi altamente significativa (P<0,0001).
As produes mdias (em kg/ha) para as combinaes dos nveis desses dois fatores e
para os nveis de cada um desses fatores globais para os nveis do outro fator constam da tabela
que segue:
Densidade Cultivar
Global
(kg/ha) 404 Belle Patna Bluebelle
120 4.350 6.325 5.775 5.483
180 5.950 5.975 5.500 5.808
240 6.275 4.500 5.875 5.550
Global 5.525 5.600 5.717 5.614
2. Os efeitos simples de Densidade de plantio para as cultivares 404 e Belle Patna

foram ambos altamente significativos (P<0,0001); no foram significativos para a cultivar
Bluebelle.
Os componentes polinomiais linear e quadrtico da variao de Densidade foram
ambos significativos tanto para a cultivar 404 como para a cultivar Blue Patna. Entretanto, eles
no foram significativos para a cultivar Bluebelle. As equaes das curvas quadrticas
ajustadas para representar a relao entre produo de gros, em kg/ha, e densidade de plantio
no intervalo (120, 240 kg/ha de semente) para as cultivares 404 e Belle Patna so as seguintes,
respectivamente:
y 1 = -2.675 + 79,79 x - 0,177 x2 e
y 2 = 3.650 + 41,04 x - 0,156 x2.

A equao ajustada para a cultivar Bluebelle :
y 3 = 5.717.
As representaes grficas dessas relaes so apresentadas na Figura 5.5.
Figura 5.5. Grfico das mdias observadas e das curvas ajustadas para
representar a relao entre produo de gros e densidade de
plantio para as cultivares de arroz 404, Belle Patna e
Bluebelle, experimento do Exemplo 5.3.
Coeficiente de variao
Esse delineamento com parcelas divididas compreende duas categorias de unidade

experimental: a parcela e a subparcela. Correspondentemente, a variabilidade atribuvel ao erro
experimental expressa por dois coeficientes de variao - um para parcelas e outro para
subparcelas, denotados por CV A e CV B, respectivamente.
O coeficiente de variao para subparcelas definido da forma usual, ou seja, a
estimativa do desvio padro de uma subparcela expressa como percentagem da mdia das
subparcelas:
QMErro B
CV B = 100 .
y
Semelhantemente, o coeficiente de variao para parcelas deve ser definido como a
estimativa do desvio padro de uma parcela expressa como percentagem da mdia das parcelas.
A estimativa da varincia de uma parcela b QM Erro A e a mdia de uma parcela b y ;
logo,
b QMErro A
CV A = 100 .
by
Para o experimento do Exemplo 5.3 tem-se:
13, 917
CV B = 100 = 6,65 % e
56,14
339, 417
CV A = 100 = 6,46 %.
356,14
Esses resultados so apresentados ao p da tabela da anlise da variao, Tabela 5.6.

Exemplo 5.4 - Ambos os fatores qualitativos, em parcelas e em subparcelas.
Considere as informaes de um experimento conduzido com o objetivo de pesquisar o efeito
da inoculao de semente de espcies de leguminosas forrageiras com rhizobium, com e sem
peletizao da semente. O experimento compreendeu os dois fatores - Leguminosa e
Inoculao, com os correspondentes nveis especificados a seguir:
Leguminosa: 1 - Alfafa, 2 - Cornicho e 3 - Trevo Branco;
Inoculao: 1 - Semente no inoculada, 2 - Semente inoculada e 3 - Semente
inoculada e peletizada.
O experimento foi conduzido com delineamento blocos casualizados com parcelas
divididas, com o fator Leguminosa em parcelas e o fator Inoculao em subparcelas, com seis
repeties. Os dados da produo de matria seca por subparcela, convertidos em kg/0,1ha, so
Tabela 5.10. Produo de matria seca por subparcela, convertida em kg/0,1ha, experimento
do Exemplo 5.4.
Bloco
Leguminosa Inoculao Soma
1 2 3 4 5 6
1 1 242 475 551 409 409 485 2.571
2 871 920 683 882 882 785 5.023
3 592 923 738 746 467 684 4.150
Soma 1.705 2.318 1.972 2.037 1.758 1.954 11.744
2 1 394 647 473 568 422 731 3.235
2 950 1150 1036 979 741 1244 6.100
3 1144 1155 1804 814 913 1474 7.304
Soma 2.488 2.952 3.313 2.361 2.076 3.449 16.639
3 1 235 358 365 358 351 317 1.984
2 385 615 1104 931 696 1375 5.106
3 1061 1175 1370 1262 1120 1283 7.271
Soma 1.681 2.148 2.839 2.551 2.167 2.975 14.361
Soma 5.874 7.418 8.124 6.949 6.001 8.378 42.744
A anlise da variao para os testes de significncia referentes aos efeitos principais e

interao dos fatores Leguminosa e Inoculao so procedidos como ilustrado no Tabela 5.6.
Os resultados so apresentados na Tabela 5.11.
Tabela 5.11. Resultados da anlise da variao e dos testes de significncia dos efeitos
principais dos fatores Leguminosa e Inoculao, Tabela 5.8.

Bloco 5 612.578 -
Leguminosa 2 666.648 333.324 9,088 0,0056
Erro A 10 366.789 36.679
Total A 17 1.646.015
Inoculao 2 3.648.536 1.824.268 63,030 < 0,0001
Legum. x Inocul. 4 677.506 169.376 5,852 0,0013
Erro B 30 868.300 28.943
Total B 53 6.840.357
Mdia geral: 791,6 kg/0,1 ha.
CV A: 14,0%; CV B: 21,5%.
A significncia da interao (P<0,01) indica que o efeito da inoculao da semente

depende da leguminosa, o que demanda a anlise de efeitos simples. Como Inoculao o fator
principal nesse experimento, so de interesse os efeitos simples de Inoculao para cada nvel
do fator Leguminosa. Os testes de significncia desses efeitos simples podem ser efetuados por
uma decomposio alternativa da variao atribuvel aos efeitos de Inoculao e da interao
Leguminosa x Inoculao, procedida semelhantemente ao Exemplo 5.3. Os resultados esto na
Tabela 5.12.
Tabela 5.12. Anlise da variao e testes de significncia dos efeitos simples de

Inoculao para cada Leguminosa, Exemplo 5.4.

Inocul.| Alfafa 2 514.871 257.435 8,895 0,0009
Inocul.| Cornicho 2 1.456.367 728.183 25,159 < 0,0001
Inocul.|Trevo Branco 2 2.354.804 1.177.402 40,680 < 0,0001
Erro B 30 868.300 28.943
Esses resultados revelam elevada significncia dos efeitos simples de Inoculao, ou

seja, da variao atribuvel Inoculao para cada Leguminosa. Como Inoculao um fator
qualitativo especfico estruturado, a discriminao dessas fontes de variao deve ser procedida
pelos testes de significncias dos contrastes especficos de interesse, ou seja, dos seguintes
contrastes, para cada leguminosa:
C1: Efeito da inoculao: Inocul. 1 versus inocul. 2 e 3, e
C2: Efeito da peletizao da semente inoculada: Inocul. 2 versus inocul. 3.
Os coeficientes desses contrastes, para cada leguminosa, so especificados a seguir:
Inoculao
Componente
1 2 3
C1 -2 1 1
C2 0 -1 1
Total: L1 2.571 5.023 4.150
L2 3.235 6.100 7.304
L3 1.984 5.106 7.271
As somas de quadrados correspondentes a esses dois contrastes para cada uma das trs
leguminosas so obtidas da forma usual. Os resultados da anlise da variao e dos testes de
significncias (pela estatstica F) dos contrastes de interesse no experimento so apresentados
na Tabela 5.13.
Tabela 5.13. Testes de significncia dos contrastes de interesse no experimento

do Exemplo 5.4.

C1 | Alfafa 1 451.360 451.360 15,595 0,0004
C2 | Alfafa 1 63.511 63.511 2,194 0,1489
C1 | Cornicho 1 1.335.565 1.335.565 46,145 < 0,0001
C2 | Cornicho 1 120.801 120.801 4,174 0,0499
C1 | Trevo Branco 1 1.964.202 1.964.202 67,865 < 0,0001
C2 | Trevo Branco 1 390.602 390.602 13,496 0,0009
Erro B 30 868.300 28.943
As concluses da anlise estatstica so as seguintes:

1) O efeito principal de Inoculao foi altamente significativo (P<0,0001). O efeito
principal de Leguminosa e a interao Leguminosa x Inoculao foram significativos (P<0,01).
As produes mdias (em kg/ha) para as combinaes dos nveis desses dois fatores e
para os nveis de cada um desses fatores globais para os nveis do outro fator constam da tabela
que segue:
Inoculao
Leguminosa 2 - Com, 3 - Com, Global
1 - Sem
no peletizada peletizada
1 - Alfafa 4.285 8.372 6.917 6.525
2 - Cornicho 5.392 10.167 12.173 9.244
3 - Trevo Branco 3.307 8.510 12.118 7.978
Global 4.328 9.016 10.403 7.916
2) Os efeitos simples de Inoculao para as trs leguminosas foram significativos

(P<0,001).
3) O efeito da inoculao foi significativo (P<0,001) para as trs leguminosas. As
produes mdias (em kg/ha) nas parcelas sem inoculao e com inoculao da semente, para
cada uma das leguminosas, foram as seguintes:
Inoculao
Leguminosa
Sem Com
1 - Alfafa 4.285 7.645
2 - Cornicho 5.392 11.170
3 - Trevo Branco 3.307 10.314
4) O efeito da peletizao da semente inoculada foi altamente significativo para o

Trevo Branco (P<0,001), significativo (P<0,05) para o Cornicho e no significativo (P>0,05)
para a Alfafa. As produes mdias (em kg/ha) nas parcelas sem peletizao e com peletizao
da semente inoculada, para cada uma das leguminosas, foram as seguintes:
Peletizao
Leguminosa
Sem Com
1 Alfafa 8.372 6.917
2 Cornicho 10.167 12.173
3 Trevo Branco 8.510 12.118
Comparaes mltiplas de mdias
Se os fatores em parcelas e em subparcelas so ambos qualitativos especficos no

estruturados, inferncias referentes aos efeitos principais e aos efeitos simples, apropriadas
respectivamente nas situaes de ausncia e presena de interao dos fatores, podem ser
efetuadas por procedimentos de comparaes mltiplas. Essas comparaes podem ser
efetuadas pelos testes dms de Fisher, de Tukey ou de Duncan. Os critrios para esses testes so
os seguintes:
^
dms = t(; ) Var( y i y i' ) ;
1 ^
= q(; t; ) Var( y i y i' ) ;
2
1 ^
wa = qa(; ) Var( y i y i' ) .
2
com as seguintes expresses para o estimador da varincia da diferena de duas mdias,

^
Var( y i y i' ) :
2 QM Erro A
- mdias de nveis do fator A globais para os nveis do fator B: ,
br
2 QM Erro B
- mdias de nveis do fator B globais para os nveis do fator A: ,
ar
2 QM Erro B
- mdias de nveis do fator B para um nvel especfico do fator A: ,
r
- mdias de nveis do fator A para um nvel especfico de B:
2 [QM Erro A + (b 1) QM Erro B]
.
br
Observe-se que as unidades experimentais para os nveis do fator A e para os nveis do

fator B so as parcelas e as subparcelas, respectivamente. Assim, compreensvel que os dois
primeiros conjuntos de comparaes, referentes aos efeitos principais dos fatores A e B, usem
apenas o QM Erro A e o QM Erro B, respectivamente, com os correspondentes A e B graus
de liberdade. O terceiro conjunto de comparaes so comparaes de nveis do fator B para
um nvel especfico do fator A, ou seja, so comparaes de nveis do fator B, cujas unidades
experimentais so as subparcelas, dentro de parcelas; logo, o erro experimental para essas

comparaes a variao entre as subparcelas e o estimador da varincia dessas comparaes
envolve apenas o QM Erro B, com B graus de liberdade.
Entretanto, o erro experimental para o quarto conjunto de comparaes, ou seja,
comparaes de nveis do fator A, em parcelas, para um nvel especfico do fator B, em
subparcelas, a variao entre subparcelas de diferentes parcelas; logo esse erro experimental
envolve variao entre subparcelas e variao entre parcelas. Portanto, o estimador da varincia
dessas comparaes deve compreender uma combinao do QM Erro A e do QM Erro B.. O
correspondente nmero de graus de liberdade, intermedirio entre A e B, provido pela
expresso sugerida por Satterthwaite:
[QM Erro A + ( b 1)QM Erro B]2

[QM Erro A ]2 + [( b 1)QM Erro B]2
' = .
A B
Contrastes mais genricos referentes a efeitos principais e efeitos simples, ou seja, a
mdias de um fator globais para os nveis do outro fator, ou especficas para um dos nveis do
outro fator, da forma: C = c1y1 + c2y2 + ... + ctyt, podem ser testados pela estatstica:
c1y1 + c 2 y 2 +...+ c t y t
t= ,
s C
onde:
^
),
s C = Var( C
^
) so generalizaes das respectivas expresses anteriores de estimadores de
e Var ( C
diferenas de duas mdias que substituem o coeficiente 2 por c12 + c 22 + ... + c 2t .
5.6 Exerccios
1. Suponha que voc dispe de doze unidades experimentais identificadas pelos nmeros
naturais 1, 2,...,12, como indicado no croqui que segue:
7 8 9 10 11 12
1 2 3 4 5 6
Voc deseja estabelecer o delineamento para um experimento fatorial completo com trs
nveis de nitrognio (N) e dois nveis de fsforo (P).
a) Utilize os "nmeros aleatrios" dados abaixo para determinar o arranjamento dos
tratamentos para um delineamento completamente casualizado com parcelas divididas
com o fator N em parcelas, supondo que o canto superior esquerdo da tabela um ponto
de partida aleatrio e procedendo da esquerda para a direita.
"Nmeros aleatrios":
62174 93686
55347 88306
11902 98444
03171 06060
b) Explique como voc usou os "nmeros aleatrios", de modo que uma pessoa
inexperiente possa seguir sua descrio como um guia para reconstruir seu
procedimento.
2. Um pesquisador arranja os t nveis de um fator F1 nas parcelas de um quadrado latino t x t.
Cada uma das t2 parcelas dividida em s subparcelas s quais so aplicados os s nveis de
um segundo fator F2.
a) Para que situaes referentes heterogeneidade do material experimental e
importncia relativa dos fatores F1 e F2 esse delineamento apropriado?
b) Indique o processo de casualizao para o experimento.
c) Especifique o modelo estatstico (equao e pressuposies) para esse experimento.
d) Apresente o correspondente esquema da anlise de variao, com as fontes de variao
e graus de liberdade.
3. Um experimentador deseja testar trs cultivares em cada um de dois nveis de fertilidade do
solo em um experimento com nove repeties de cada um dos tratamentos. Ele tem a
escolha de um dos seguintes delineamentos:
- Completamente casualizado,
- Blocos casualizados,
- Quadrado latino, e
- Blocos casualizados com parcelas divididas, com o fator cultivar em subparcelas.
a) Para que situaes referentes heterogeneidade do material experimental e
importncia relativa dos fatores cultivar e fertilidade do solo cada um desses
delineamentos apropriado?
b) Especifique o modelo estatstico (equao e pressuposies) para o experimento com
cada um desses delineamentos.
c) Apresente o esquema da anlise da variao (fontes de variao e graus de liberdade)
para cada um desses delineamentos.
4. Suponha que voc quer estudar os efeitos principais e a interao de dois fatores
quantitativos, sejam A e B. Voc est interessado na resposta ao fator A no intervalo entre
100 e 400 unidades e na resposta ao fator B entre 4 e 16 unidades. Voc espera que a curva
de resposta ao fator A possa ser razoavelmente representada por uma curva quadrtica e que
a resposta ao fator B possa ser representada por uma linha reta, mas deseja ter um teste da
adequao dos modelos para cada um dos casos. So disponveis facilidades suficientes
para at 70 unidades experimentais.
a) Escolha os tratamentos e nmeros de repeties que satisfaam aos objetivos do

experimento e situem-se nos limites das facilidades disponveis. Discuta e defenda sua
escolha.
b) Discuta, brevemente, as consideraes que levariam voc escolha de um delineamento
experimental entre completamente casualizado, blocos completos casualizados e
parcelas divididas.
c) Estabelea o esquema da anlise da variao (fontes de variao e graus de liberdade)
para o delineamento selecionado.
d) Indique como voc testaria os vrios componentes das curvas de resposta, suas
interaes e desvios dos modelos.
5. Um experimentador planeja executar um experimento em parcelas divididas em que os
quatro nveis de um fator sero aplicados a oito parcelas principais (cada nvel do fator em
parcelas ser aplicado em duas parcelas), sendo os tratamentos em subparcelas as
combinaes dos nveis de um fatorial 23.
a) O pesquisador precisa decidir o delineamento para o fator em parcelas entre
completamente casualizado e blocos casualizados. Discuta a convenincia de cada um
desses delineamentos para o presente experimento.
b) Apresente o croqui do experimento para cada um dos dois delineamentos cogitados.
c) Apresente o esquema da anlise da variao (fontes de variao e graus de liberdade)
para cada um dos delineamentos.
d) Discuta o procedimento apropriado para a alocao dos tratamentos s unidades
experimentais desse experimento, para cada uma das duas alternativas referentes a
delineamento experimental.
6. Suponha que para o experimento considerado Exerccio 4 da Seo 4.9, por um nmero de
razes, decidido que so requeridas informaes mais precisas referentes ao fator A,
mesmo custa de perda de preciso para o fator B. Suponha que para um proposto novo
experimento possvel obter doze blocos de quatro cobaias, como anteriormente, mas com
cada bloco consistindo de dois pares de gmeos, sendo esperado que as respostas de gmeos
sejam mais semelhantes que as respostas de indivduos no gmeos da mesma idade.
a) Qual o procedimento de casualizao apropriado para um experimento em que
informaes sobre o fator A so mais importantes do que sobre o fator B?
b) Indique a forma apropriada da anlise da variao para o experimento, mostrando fontes
de variao e graus de liberdade.
7. Os resultados que seguem (matria seca expressa em unidades de 10 kg/ha) provm de um
experimento que estudou o efeito de dois nveis de fertilizao do solo (A-alto e B-baixo)
em quatro cultivares de aveia. O experimento adotou o delineamento blocos casualizados
com parcelas divididas, com cultivares em parcelas e nveis de fertilizao do solo em
subparcelas.
Bloco
Cultivar Fertilizao Soma
1 2 3 4
1 A 299 318 284 279 1.180
B 247 202 171 183 803
2 A 315 247 289 307 1.158
B 257 175 188 174 794
3 A 403 439 355 324 1.521
B 222 170 192 176 760
4 A 382 353 383 310 1.428
B 233 216 200 143 792
Soma 2.358 2.120 2.062 1.896 8.436
a) Efetue a anlise da variao apropriada.

b) Determine os coeficientes de variao para parcelas e subparcelas.
c) Construa uma tabela de mdias com os desvios padres apropriados e escreva um
relatrio resumido das concluses da anlise estatstica.
8. Um engenheiro qumico conduziu um experimento e solicita a voc conselho sobre a
anlise dos dados obtidos. Ele usou uma abordagem intuitiva e no elaborou um plano
prvio do experimento.
Pela planilha dos dados que lhe fornecida, voc pode deduzir que os fatores estudados
foram: umidade relativa (cinco nveis), temperatura (trs nveis) e meio absorvente (trs
tipos). O total de observaes no experimento foi gerado como segue: 4 repeties x 5
umidades relativas x 3 temperaturas x 3 tipos de meio absorvente. Apenas uma resposta foi
avaliada - quantidade de substncia qumica absorvida por centmetro quadrado de
superfcie absorvente.
a) Indique pelo menos trs diferentes delineamentos experimentais que seriam compatveis
com a quantidade limitada de informao referente s circunstncias experimentais que
voc pode deduzir das informaes que lhe foram fornecidas e cuja adequabilidade voc
no pode distinguir apenas na base das aparncias da planilha com os dados.
b) Que informaes adicionais voc precisa obter do engenheiro qumico para poder
determinar que delineamento foi realmente empregado?
c) Especifique o modelo estatstico (equao algbrica e pressuposies) para cada um dos
delineamentos que voc listou no item a) (pressupondo todos os efeitos fixos, exceto o
efeito de blocos).
d) Escreva o esquema da anlise da variao (fontes de variao e graus de liberdade) para
os delineamentos considerados no item anterior.
e) Suponha que os resultados dos testes de significncias referentes aos efeitos principais e
interaes revelaram significncia apenas das interaes duplas. Como voc explicaria
esse resultado ao engenheiro qumico?
9. Um experimento foi conduzido para o estudo de trs mtodos de cultivo de cana-de-acar
(M1 -plantio em sulco e transplante; M2 - plantio em terreno plano e transplante e M3 -
plantio em terreno plano sem transplante) em quatro pocas de plantio (E1 - outubro; E2 -
novembro; E3 - fevereiro e E4 - maro). Os quatro nveis do segundo fator foram

assinalados aleatoriamente a quatro parcelas em delineamento blocos casualizados, com
seis repeties, e os trs nveis do primeiro fator foram atribudos aleatoriamente s trs
subparcelas em que foi dividida cada parcela. Os rendimentos (em kg por parcela de 25m2)
foram os seguintes:
Mtodo Bloco
poca
de cultivo 1 2 3 4 5 6
E1 M1 68 78 48 169 221 33
M2 69 64 31 95 190 49
M3 53 73 29 100 149 22
E2 M1 52 55 35 73 49 23
M2 26 21 44 75 40 9
M3 77 26 12 42 51 13
E3 M1 13 54 37 88 63 20
M2 42 83 40 61 43 25
M3 14 83 44 59 53 29
E4 M1 9 13 9 45 63 20
M2 21 10 14 26 16 21
M3 4 13 3 40 39 15
a) Efetue a anlise da variao para o estudo dos efeitos principais e interao de Mtodo
de cultivo e poca de plantio.
b) Determine os coeficientes de variao correspondentes a parcelas e subparcelas.
c) Apresente uma tabela de mdias com os correspondentes desvios padres adequada para
a apreciao dos resultados do experimento.
d) Redija um sumrio dos resultados da anlise estatstica.
10. Suponha que voc est envolvido no planejamento de um experimento em que os
tratamentos constituem um esquema fatorial com quatro nveis de um fator A e dois nveis
de um fator B e disponvel um total de quarenta unidades experimentais.
a) Sob que circunstncias voc escolheria um delineamento com parcelas divididas.
b) Especifique o esquema da anlise da variao (fontes de variao e graus de liberdade)
para um experimento em parcelas divididas com:
i) Fator A em parcelas principais dispostas em um delineamento em blocos
casualizados.
ii) Fator A em parcelas dispostas em delineamento completamente casualizado.
iii) Fator B em parcelas de um delineamento em blocos casualizados.
iv) Fator B em parcelas de um delineamento completamente casualizado.
c) Se a interao AxB for significativa, voc desejar fazer comparaes de mdias da
forma y 41 versus y 32 , onde o primeiro e segundo ndices indicam os nveis dos fatores
A e B, respectivamente. Qual dos delineamentos listados no item b) seria menos

desejvel para esse propsito? Por qu?
11. As respostas de seis variedades de alface poca de remoo de cobertura protetora foram
pesquisadas em um experimento em blocos casualizados com parcelas divididas com poca
de remoo de cobertura protetora em parcelas e Variedade em subparcelas. Os resultados
(em kg/parcela) so apresentados a seguir:
Bloco
poca Variedade Soma
1 2 4 5
E1 A 11,8 7,5 9,7 6,4 35,4
B 8,3 8,4 11,8 8,5 37,0
C 9,2 10,6 11,4 7,2 38,4
D 15,6 10,8 10,3 14,7 51,4
E 16,2 11,2 14,0 11,5 52,9
F 9,9 10,8 4,8 9,8 35,3
E2 A 9,7 8,8 12,5 9,4 40,4
B 5,4 12,9 11,2 7,8 37,3
C 12,1 15,7 7,6 9,4 44,8
D 13,2 11,3 11,0 10,7 46,2
E 16,5 11,1 10,8 8,5 46,9
F 12,5 14,3 15,9 7,5 50,2
E3 A 7,0 9,1 7,1 6,3 29,5
B 5,7 8,4 6,1 8,8 29,0
C 3,3 6,9 1,0 2,6 13,8
D 12,6 15,4 14,2 11,3 53,5
E 12,6 12,3 14,4 14,1 53,4
F 10,2 11,6 10,4 12,2 44,4

e interao.
b) Caso apropriado, efetue a anlise de variao alternativa e os correspondentes testes de
significncia para o estudo da variao entre variedades para cada poca de remoo de
cobertura protetora.
c) Determine os coeficientes de variao para parcelas e subparcelas.
d) Redija um sumrio dos resultados da anlise estatstica efetuada.
12. Suponha que o experimento considerado no Exerccio 11 da Seo 3.8 modificado como
segue: So usados oito tratores supostamente semelhantes. Cada uma das quatro
combinaes dos nveis dos fatores C e P so assinaladas a dois dos oito tratores e cada
trator efetua trs testes, um com a velocidade de 35 km/h, um a 50 km/h e um a 65 km/h,
em uma ordem aleatria, definida independentemente para cada um dos tratores.
a) Apresente o esquema da anlise da variao (fontes de variao e graus de liberdade)
para o experimento.
b) Com respeito preciso das comparaes de carburadores, pneus e velocidades e

preciso da estimao das interaes voc pensa que esse mtodo de conduzir o
experimento melhor, pior ou aproximadamente o mesmo que os mtodos anteriores.
Exponha brevemente seu argumento.
6 Anlise de Regresso e Correlao Linear Simples
Contedo
6.1 Introduo .................................................................................................................. 213

6.1.1 Origens e importncia da anlise de regresso linear............................................ 213
6.1.2 Relaes entre variveis ........................................................................................ 214
6.1.3 Relaes lineares ................................................................................................... 216
6.2 Relaes de Duas Variveis ...................................................................................... 217
6.3 Grfico dos Dados ..................................................................................................... 219
6.4 Anlise de Regresso Linear Simples ....................................................................... 220
6.4.1 Modelo populacional ............................................................................................. 220
6.4.2 Modelo estatstico.................................................................................................. 221
6.4.3 Inferncia estatstica .............................................................................................. 223
6.4.4 Estimao (por ponto) dos parmetros .................................................................. 223
6.4.5 Teste de hiptese ................................................................................................... 228
6.4.5.1 Hiptese de relao linear entre Y e X .............................................................. 228
6.4.5.2 Hiptese referente declividade da linha de regresso ..................................... 229
6.4.5.3 Anlise da variao ........................................................................................... 229
6.4.6 Coeficiente de determinao ................................................................................. 231
6.4.7 Intervalo de confiana ........................................................................................... 232
6.4.7.1 Intervalo de confiana para o coeficiente de regresso b .................................. 232
6.4.7.2 Intervalo de confiana para E(Y|X) ................................................................... 233
6.5 Correlao Linear Simples ........................................................................................ 233
6.6 Exerccios .................................................................................................................. 236
6.1 Introduo
6.1.1 Origens e importncia da anlise de regresso linear
Em muitas reas da pesquisa cientfica, a variao de caractersticas respostas de

interesse influenciada, em grande parte, por outras caractersticas cujas magnitudes variam no
curso da pesquisa. A incorporao na anlise estatstica de informaes referentes a estas
caractersticas explanatrias frequentemente importante para a descrio e a derivao de
inferncias referentes s caractersticas respostas. O conhecimento de relaes entre
caractersticas tambm til para a predio de uma caracterstica a partir de informaes
sobre as outras, e seu controle e otimizao pela manipulao de fatores influentes.
A anlise de regresso um conjunto de tcnicas estatsticas que tratam da

formulao de modelos estatsticos que especificam relaes entre variveis, e do uso desses
modelos para propsitos de inferncias, particularmente predio. Os mtodos mais usuais de
anlise de regresso, que sero abordados neste texto, tratam da situao de uma nica varivel
resposta.
A palavra "regresso" foi empregada pela primeira vez no contexto aqui utilizado por
Francis Galton, na anlise da relao entre alturas de filhos e alturas mdias de seus pais. De
seu estudo, Galton concluiu que filhos de pais de estatura muito extrema (muito altos ou muito
baixos) eram geralmente de estatura mais extrema (maior e menor, respectivamente) do que a
mdia, mas no to extrema como a de seus pais. Em sua publicao de 1885, "Regresso para
a mediocridade em herana de estatura", Galton usou o termo "regresso" para significar que a
altura do filho tende para a mdia em vez de para valores mais extremos.
Desta origem, o termo "anlise de regresso" evoluiu para o contexto atual que diz
respeito anlise de dados envolvendo duas ou mais variveis com o objetivo de descobrir a
natureza de sua relao e explor-la para propsitos de predio.
O estudo de relaes entre variveis importante em muitos campos da pesquisa
cientfica, em particular da pesquisa experimental. Exemplos de relaes de interesse so dados
a seguir.
a) Produo de uma cultura e quantidades de fertilizantes aplicados ao solo, com o
objetivo de estabelecer a forma da relao ou predizer a combinao tima de fertilizantes.
b) Rendimento de uma cultura e vrias caractersticas de clima, com o objetivo de
obter a compreenso a cerca de possveis mecanismos de influncia de elementos do clima
sobre o desenvolvimento da cultura.
c) Curva de lactao de vaca leiteira e nveis de componentes da dieta alimentar, para
a compreenso da forma da tendncia da produo de leite, ou estabelecimento da forma geral
da curva de lactao com o propsito de subsequente exame dos efeitos de tratamentos sobre a
curva de lactao.
d) rea foliar e peso da folha de uma cultivar em vrios estdios de desenvolvimento
da planta, para a predio da rea foliar, uma caracterstica de difcil mensurao, por meio do
peso da folha, de fcil mensurao.
e) rea celular afetada e durao e intensidade de exposio a raios X, para
monitoramento de terapia de radiao.
f) Taxa de descarga de um rio medida em um local particular e quantidade de
precipitao recente na correspondente bacia hidrogrfica, para a predio de enchentes.
6.1.2 Relaes entre variveis
Podem ser caracterizados trs tipos de relaes entre variveis: determinista,

semideterminista e emprica.
- Relaes deterministas - Certas relaes correspondem a leis conhecidas, expressas
por funes matemticas exatas. Bases tericas universalmente reconhecidas justificam a
forma funcional. Desvios de observaes que ocorrem para algumas dessas relaes so
considerados erros experimentais sem importncia para a maioria dos propsitos. Assim, por
exemplo, se X cruzeiros so depositados em uma conta de poupana ao juro anual de 100r%, a
quantidade Y disponvel nessa conta ao encerramento do n-simo ano relacionada a X, r e n
pela equao exata:
Y = X(1+r)n.
6. Anlise de Regresso e Correlao Linear Simples 215
Como um segundo exemplo, o tempo t para um objeto atingir a superfcie da terra quando
lanado de uma altura h relacionado com h pela lei fsica da gravitao:
t = 2h / g ,
onde g a constante gravitacional, que depende do local sobre a superfcie. A origem dessa
expresso matemtica foi a postulao por Galileu de que a altura da queda de um objeto
proporcional ao quadrado do tempo para atingir o solo. Estimativas exatas da constante
gravitacional foram ulteriormente obtidas por experimentao. Embora essa relao terica
seja aproximada, em decorrncia da variao das condies ambientais, para a maioria dos
propsitos tornam-se desnecessrias novas pesquisas experimentais. Dessa forma, esses casos
so excludos do domnio da anlise da regresso.
- Relaes semideterministas - Em algumas situaes, a forma da lei que relaciona as
variveis estabelecida por uma teoria conhecida, mas dependente de valores particulares de
constantes desconhecidas (parmetros) que aparecem em sua expresso matemtica.
Aproximaes para a lei podem ser obtidas pela substituio dos parmetros por estimativas,
determinadas por pesquisa experimental. O estabelecimento da relao exata inviabilizado
pela limitada preciso de instrumentos de medida, perturbaes no controlveis das condies
experimentais e outros fatores que introduzem erros experimentais.
Exemplo 6.1. A presso (P) e o volume (V) de um gs sob calor constante so
relacionados pela "lei dos gases ideais":
PVg = constante,
onde g a taxa de calor especfico do gs particular, que deve ser estimada por pesquisa
experimental.
Em alguns casos, h uma base terica que sugere uma forma plausvel para a relao,
mas a base no exata ou no aceita universalmente. Ademais, frequentemente, flutuaes
adicionais so produzidas por variveis no controlveis, no includas na relao.
Exemplo 6.2. Suponha-se que uma fbrica de compota de pssego produz latas de
compota por lotes e que o produtor deseja relacionar o custo de produo de um lote (Y) com o
tamanho do lote (X, nmero de latas no lote). Em um intervalo de variao realista de X, uma
parcela do custo (custos de instalaes e administrao, por exemplo) praticamente constante
independentemente do tamanho do lote. Outro componente, que inclui matria prima e o
trabalho para produzir a compota, diretamente proporcional ao nmero de latas produzidas.
Denote-se o componente fixo do custo por F e o componente varivel por c. Na ausncia de
qualquer outro fator, pode-se esperar uma relao custo-tamanho do lote determinista, expressa
por:
Y = F + cX.
Entretanto, h um terceiro componente do custo a considerar cuja magnitude de natureza no
previsvel. Por exemplo, o equipamento pode quebrar, ocasionalmente, do que pode resultar
variao de custos de reparo e tempo despendido. A ocorrncia de variao na qualidade da
matria prima tambm pode afetar o processo de produo. Dessa forma, uma relao
determinista pode ser mascarada por componentes aleatrios. Consequentemente, uma relao
adequada entre Y e X deve ser estabelecida por pesquisa experimental.
- Relaes empricas - Em contraste com as situaes anteriores, muito
frequentemente a relao no governada por uma lei conhecida. Isso o que ocorre com
muitos fenmenos naturais, a que correspondem variveis mutuamente relacionadas, ou uma
varivel que dependente de um nmero de variveis causais. Nessas situaes, a forma da
relao comumente completamente desconhecida. Aps a obteno de suficiente
conhecimento emprico sobre a relao, muitas vezes possvel a formulao de uma teoria
que conduza a uma frmula matemtica correspondente a uma relao semideterminista.
Exemplo 6.3. Suponha que desejado estudar a relao entre o rendimento de uma
cultivar de tomate (Y) e a quantidade (X) de certo fertilizante aplicado ao solo, com as demais
condies to constantes quanto possvel. Para tal, pode ser conduzido um experimento, com a
aplicao de diversas doses do fertilizante a vrias parcelas em um intervalo de interesse.
Diferentes doses do fertilizante produziro diferentes rendimentos (o que ocorrer, tambm,
com diferentes parcelas com uma mesma dose do fertilizante), mas a relao entre rendimento
e dose no segue uma frmula matemtica exata. Nesse caso, alm das variaes aleatrias no
previsveis, tambm no h qualquer base terica conhecida para a determinao da forma da
relao.
Exemplo 6.4. O desempenho de um novo provador de vinho depende da durao do
perodo de treinamento e da natureza do programa de treinamento. A relao entre habilidade
para degustao e durao do treinamento no determinista, pelo simples fato de que dois
seres humanos no so exatamente idnticos. Assim, para a avaliao da eficcia de um
programa de treinamento, deve-se conduzir uma pesquisa experimental da relao entre
habilidade de degustao Y e durao do treinamento X. Ademais, a prpria anlise dos dados
referentes a essas duas variveis pode auxiliar na pesquisa da natureza da relao e em seu uso
na avaliao e planejamento de um programa de treinamento.
Esses poucos exemplos ilustram o mbito de aplicao da anlise da regresso no
contexto mais simples do estudo da relao de uma varivel de interesse com uma nica outra
varivel. Em situaes mais complexas, uma varivel de interesse pode depender de vrias
variveis causais, ou vrias variveis podem se inter-relacionar. Por exemplo, o rendimento de
tomate pode ser estudado em relao dosagem de um fertilizante e ao espaamento entre
plantas. A utilidade da anlise de regresso estende-se a essas situaes multivariadas. Ela
fornece os mtodos para a construo de modelos para as relaes de interesse, estimao de
parmetros de interesse, determinao de variveis de importncia e de variveis redundantes,
e o emprego dos modelos para propsitos de predio e controle.
6.1.3 Relaes lineares
Na anlise de regresso, postula-se que a relao entre uma varivel de interesse Y e

um conjunto de outras k variveis {X1, X2, ..., Xk} nas unidades de uma populao objetivo
representada, algebricamente, por um membro particular (desconhecido) de uma famlia de
equaes que exprimem Y como uma funo de X1, X2, ..., Xk e um conjunto de constantes {a1,
a2, ..., ap}:
Y = f(X1, X2, ..., Xk; a1, a2, ..., ap),
onde Y denominada varivel dependente, ou varivel resposta, X1, X2, ..., Xk so
denominadas variveis independentes, ou variveis explanatrias, ou variveis preditoras,
e a1, a2, ..., ap so constantes desconhecidas, denominadas parmetros.
Cada membro dessa famlia de equaes especificado pela fixao de valores
particulares para o conjunto de constantes {a1,a2,...,ap}. Entretanto, a determinao do membro
especfico desta famlia de equaes que corresponde a uma populao de interesse , em geral,
inviabilizada pelo desconhecimento dos valores particulares dessas constantes apropriados para
a populao. O propsito da inferncia estatstica em anlise de regresso a obteno de uma
aproximao e de outras informaes referentes aos parmetros e, consequentemente, sobre a
equao particular para a populao. Essa equao particular (desconhecida) para a populao
objetivo pode ser adequadamente expressa por:
E(Y) = f(X1, X2, ..., Xk; a1, a2, ... ,ap),

onde E(Y) indica valor populacional ou valor esperado da varivel resposta Y.
O processo de inferncia estatstica se baseia em um conjunto de n observaes {x1j,
x2j, ..., xkj, yj :j=1, 2, ... ,n} das k+1 variveis X1, X2, ..., Xk e Y, providas por uma amostra de n
indivduos ou unidades (amostra de tamanho n) da populao de interesse. Um modelo de
regresso especificado com o estabelecimento da equao que exprime a relao de cada
valor observado da varivel dependente Y com os correspondentes valores das variveis
independentes, e das pressuposies referentes aos termos e smbolos da equao.
Um modelo de regresso denominado um modelo linear se sua equao um caso
particular da seguinte forma geral:
E(Y) = a0 + a1X1 + a2X2 +...+ akXk.
Um caso particular dessa forma geral a equao do modelo de regresso
polinomial:
E(Y) = a0 + a1X + a2X2 +...+ akXk,
em que: X1=X, X2=X2, ..., Xk=Xk. Esta equao exprime a relao de uma varivel resposta Y
com uma nica varivel explanatria X, representada por uma curva polinomial de grau k em
um plano (espao de duas dimenses).
Um caso ainda mais particular desse modelo linear o modelo de regresso linear
simples, que corresponde relao de uma varivel resposta Y com uma nica varivel
explanatria X representada por uma linha reta, cuja equao :
E(Y) = a + bX,
6.2 Relaes de Duas Variveis

De modo geral, os modelos de relaes de duas variveis podem ser classificados em
trs categorias:
- Modelo linear, com equao da forma: Y = aX + b.
- Modelo linear por anamorfose: Modelo de equao no linear pode ser linearizado
por de uma transformao de variveis. Por exemplo, a equao Y = abx pode ser
transformada, por uma transformao logartmica, em
Z = A + BX,
onde: Z = log Y, A = log a e B = log b.
Outros exemplos de funes lineares por anamorfose so apresentados na Figura 6.1.
Figura 6.1. Vrias formas de funes de equaes no lineares e suas

transformadas logartmicas lineares, mostrando como logaritmos
podem converter curvas no lineares em linhas retas.
- Modelo no linear: Modelo no linear cuja equao no pode ser linearizada. Por
exemplo, o modelo de Mitscherlich, com a seguinte equao exponencial:
Y = A[1-10-c(X+b)].
Embora na maioria das situaes de interesse prtico a relao de duas variveis seja
no linear, a relao linear importante por duas razes:
a) Em um modelo linear por anamorfose, uma transformao da equao no linear
que relaciona as variveis conduz a uma relao linear. Esse o caso de algumas relaes
representadas por equaes multiplicativas ou exponenciais que podem ser linearizadas por
transformaes logartmicas, como exemplificado na Figura 6.1.
b) A linha reta pode ser uma boa aproximao para um segmento de uma curva no
linear em um intervalo limitado da varivel independente.
6.3 Grfico dos Dados

No estudo da relao de duas variveis Y e X os dados so n pares de valores
observados dessas duas variveis denotados por (x1,y1), (x2,y2), ..., (xn,yn), que podem ser
arranjados na forma da Tabela 6.1.
Tabela 6.1. Forma dos dados em um estudo de relao de duas

variveis.
Observao: 1 2 ... n
X: x1 x2 ... xn
Y: y1 y2 ... yn
O primeiro passo no estudo da relao de duas variveis a representao grfica dos

dados por meio de um diagrama de disperso de pontos. A inspeo desse diagrama pode
permitir uma caracterizao da relao entre as variveis quanto sua existncia e forma;
indica se os pontos se aglomeram em torno de alguma curva geomtrica particular, como uma
linha reta, por exemplo; e fornece uma apreciao visual da extenso da variao em torno de
tal linha ou curva. O diagrama de disperso particularmente importante quando, como ocorre
em muitas situaes, no h uma relao terica conhecida a priori. Em tais situaes, ele til
na pesquisa de um modelo apropriado para exprimir a relao.
Exemplo 6.5. Para uma ilustrao concreta, considere-se que os dados da Tabela 6.2
so as observaes em 10 parcelas de um experimento de fertilizao do solo com nitrognio
para a cultura do tomate, onde doses de nitrognio e produo so expressos em unidades de
medida convenientes.
Tabela 6.2. Dose de nitrognio e produo de tomate em 10 parcelas

de um experimento.
Dose (X): 1 1 2 3 4 4 5 6 6 7
Produo (Y): 2,1 2,5 3,1 3,0 3,8 3,2 4,3 3,9 4,4 4,8
O diagrama de disperso para essas observaes apresentado na Figura 6.2. Este

diagrama mostra que os pontos parecem se aglomerar em torno de uma linha reta, o que revela
que a relao particular de natureza aproximadamente linear.
Figura 6.2. Diagrama de pontos para os dados da Tabela 6.2.
O Exemplo 6.5 ilustra a relao mais simples entre duas variveis, representada pela
linha reta.
6.4 Anlise de Regresso Linear Simples
6.4.1 Modelo populacional
A anlise de regresso linear simples compreende um conjunto de procedimentos para

a derivao de inferncias estatsticas referentes relao entre uma varivel resposta Y e uma
varivel explanatria X de unidades de uma populao objetivo que postula para essa relao a
forma:
E(Y) = a+bX.
Usualmente, so estabelecidas as seguintes pressuposies:
a) a varivel explanatria X controlada pelo experimentador, de modo que seus
valores observados na amostra no so sujeitos a erro;
b) a varivel resposta Y sujeita a fontes de erro no controlveis; e
c) a e b so constantes desconhecidas (parmetros).
Recorde-se que, se a relao entre uma varivel dependente Y e uma varivel
independente X corresponde exatamente a uma linha reta, ento ela expressa algebricamente
pela equao:
Y = a + bX,
representada na Figura 6.3, onde a a ordenada da interseo da reta com o eixo Y,
denominada ordenada na origem, ou interseo, ou coeficiente linear da reta, e b a
tangente trigonomtrica do ngulo que a reta forma com o eixo X, denominada declividade, ou
coeficiente angular da reta. O coeficiente angular b corresponde alterao da grandeza de Y
por uma unidade de alterao no valor de X, que invarivel qualquer que seja o valor inicial
de X. Por essa razo, b tambm denominado taxa de variao. Assim, a reta a linha com a
propriedade particular importante de taxa de variao constante, ou seja:
Y
b= = c (constante) ,
X
onde X qualquer acrscimo atribudo X e Y o correspondente acrscimo resultante

para Y.
Figura 6.3. Representao grfica da linha reta.
Assim, os parmetros a e b tm significados importantes no que refere relao de

interesse E(Y) = a+bX:
a: valor esperado (para a populao) da varivel resposta Y correspondente ao valor
nulo (X=0) da varivel explanatria X; e
b: valor esperado da variao do valor da varivel resposta Y que corresponde ao
incremento de uma unidade da varivel explanatria X.Modelo estatstico
Em situaes reais, valores observados de uma varivel resposta Y que se relaciona

linearmente com uma varivel explanatria X so mascarados por erros de observao ou
variaes aleatrias, de modo que, em um diagrama de disperso, os pontos correspondentes a
uma srie de observaes no se situam exatamente sobre uma reta.
A questo estatstica fundamental a derivao de inferncias referentes aos
parmetros a e b. Como qualquer processo de inferncia estatstica, inicia-se pela obteno de
uma amostra de observaes - pares de valores de X e Y - da populao de interesse.
Seja {(x1,y1), (x2,y2), ..., (xn,yn)} um conjunto de n observaes referentes s variveis
X e Y, obtidas de uma amostra de tamanho n (ou seja, de n unidades) de uma populao. A
anlise de regresso linear simples pressupe que a relao entre a varivel resposta Y e a
varivel explanatria X para a j-sima observao expressa pela seguinte equao:
yj = a + bxj + ej, j=1,2,...,n,
onde xj e yj so os valores das variveis X e Y referentes observao j da amostra, a e b so
constantes especficas para a populao em considerao, e ej o desvio entre o valor
observado e o valor esperado da varivel resposta: ej = yj - E(yj), usualmente denominado
desvio da regresso.
O modelo estatstico para regresso linear simples completa-se com as seguintes
pressuposies referentes aos termos e smbolos da equao:
a) A varivel X medida sem erro, ou seja, {x1,x2,...,xn} um conjunto de valores
selecionados pelo pesquisador para o estudo, no sujeitos a erro, logo, um conjunto de
constantes conhecidas.
b) Os coeficientes a e b, que determinam a linha reta, so constantes desconhecidas,

isto , parmetros.
c) Os desvios da regresso e1,e2,...,en so realizaes de n variveis aleatrias com
mdia zero: E(ej)=0, que satisfazem s seguintes pressuposies:
c1) Homogeneidade de varincia: Var(ej ) = 2Y:X (constante, comum para todas
as observaes).
c2) Distribuio normal.
c3) Independncia estatstica.
De acordo com esse modelo, o valor yj da varivel resposta, observado para o nvel xj
da varivel explanatria, uma realizao de uma varivel aleatria com distribuio normal
de mdia E(Y) = a + bX e varincia Var(Y) = 2Y:X . Isto significa que a observao do valor
sobre a verdadeira linha de regresso impedida pelo desvio aleatrio. Essa estrutura de desvio
ilustrada na Figura 6.4, que mostra que a distribuio de Y para cada nvel de X tem mdia
sobre a verdadeira linha reta desconhecida a+bX e varincia comum 2Y:X , tambm
desconhecida. Um importante propsito da anlise de regresso estimar essa reta e essa
varincia.
Figura 6.4. Distribuio normal de Y com mdias sobre a linha

reta E(Y) = a+bX.
Exemplo 6.6. Para a ilustrao que segue utilizar-se- os dados da Tabela 6.3,
provenientes do registro de informaes anuais de quantidade de frango comercializado e
correspondente preo, nos Estados Unidos, no perodo de 1950 a 1959.
Tabela 6.3. Dados anuais de quantidade de frango comercializado

(em milhes, X) e correspondente preo (em US$ por
50 kg, Y), nos Estados Unidos, no perodo de 1950 a
1959.
j 1 2 3 4 5 6 7 8 9 10
xj 73 79 80 69 66 75 78 74 74 84
yj 18,0 20,0 17,8 21,4 21,6 15,0 14,4 17,8 19,6 14,1
A "lei da oferta e da procura" em Economia estabelece que o valor da produo varia

inversamente com a quantidade produzida, ou seja, o aumento da produo implica em
diminuio do valor do produto. Dessa forma, segundo esta lei, h uma relao linear negativa
entre valor da produo e quantidade do produto ofertada. Entretanto, essa relao afetada
por outras circunstncias do mercado, tal como oferta de outros produtos substitutivos, de
modo que pode ser interessante a verificao de sua ocorrncia em uma situao prtica.
A relao entre preo e quantidade de frango produzido que revelada pelos dados do
exemplo mostrada no diagrama de pontos da Figura 6.5.
Figura 6.5. Diagrama de pontos que mostra a relao entre preo

do frango (Y) e nmero de frangos comercializados
anualmente (X) nos Estados Unidos (1950-1959).
6.4.3 Inferncia estatstica
Em regresso linear simples, como, em geral, em qualquer aplicao da estatstica,

interessam as seguintes inferncias a respeito dos parmetros do modelo estatstico:
Estimao por ponto,
Estimao por intervalo - Intervalo de confiana,
Teste de hiptese.
6.4.4 Estimao (por ponto) dos parmetros
Os parmetros a e b da equao do modelo estatstico podem ser estimados pelo

mtodo dos quadrados mnimos, que determina para estimadores dos parmetros os valores
de a e b que minimizam a soma de quadrados dos desvios da regresso (como funo de a e b),
isto :
f(a,b) = e2j =
n
j=1
= ( y j a bx j ) 2 .
n
j=1
O processo de minimizao dessa soma de quadrados dos erros conduz ao seguinte sistema de
duas equaes com as duas incgnitas a e b :

+ = y
n n

na ( x ) b
n
j j
j =1 j =1
( x j )a + ( x 2j )b = x j y j
n n
j=1 j =1 j =1
cuja soluo ( a , b ) corresponde aos estimadores dos parmetros a e b:

SPXY
b =
SQX
e
a = y bx
,
onde:
1 n
(x j x)(y j y) = x j y j x y
j j
n n n
n j=1 j=1
SP XY =
j=1 j=1
e
1
2

SQ X = (x j x) =
n n n
j=1 j
2
x 2j x .
j=1 j=1 n
Equao da linha reta ajustada
A substituio dos parmetros na equao do modelo de regresso pelas

correspondentes estimativas fornece a equao da linha reta ajustada (tambm denominada
equao ajustada, equao predita ou equao de quadrados mnimos):
y = a + bx
.
Outra forma da equao de quadrados mnimos pode ser obtida pela substituio da
expresso do estimador do parmetro a nesta equao:
y = y + b ( x x ) .
O valor y 0 para um valor particular x0 da varivel explanatria X estima o
correspondente ponto sobre a reta (desconhecida) para a populao: E(Y:X=x0) = a + bx0, isto
, estima a mdia de Y para a populao que corresponde a um dado valor x0 de X.
Em particular, podem-se determinar os valores preditos (ou ajustados) da varivel
resposta Y correspondentes aos valores observados da varivel explanatria: xj, j=1,2,...,n.
Esses valores preditos so as projees sobre a reta de quadrados mnimos, ortogonais ao eixo
X, dos pontos no plano que correspondem aos pares de valores observados (xj, yj), j=1,2,...,n.
Resduos e estimativa da varincia do erro
Os valores ajustados, em geral, diferem dos valores observados. A diferena entre um

valor observado da varivel resposta e seu correspondente valor ajustado uma estimativa do
desvio da regresso para a correspondente observao, denominada resduo da observao:
e j = y j y j , j=1,2,...,n.
Uma estimativa da varincia comum dos desvios da regresso fornecida pela soma
dos quadrados dos resduos dividida pelo correspondente nmero de graus de liberdade, ou
seja, n-2 (onde 2 o nmero de parmetros estimados do modelo):
(y j y j )2 .
1 n
s 2Y:X =
n 2 j=1
Essa estimativa da varincia dos desvios da regresso pode ser mais convenientemente obtida
pelo procedimento da anlise da variao (que se ver adiante), usualmente utilizado para
efetuar testes de hipteses de interesse.
Propriedades dos estimadores de quadrados mnimos
Os estimadores de quadrados mnimos tm as seguintes propriedades:

1) A soma dos resduos nula:
e j = ( y j y j ) = 0 .
n n
j =1 j =1
2) A soma dos quadrados dos resduos mnima, ou seja, a soma dos quadrados das
distncias entre os valores observados (xj, yj), j=1,2,...n, e suas correspondentes projees sobre
uma reta no espao de duas dimenses (X, Y) ortogonais ao eixo X mnima quando essa reta
a reta de quadrados mnimos.
Exemplo 6.6 (continuao). Para os dados do Exemplo 6.6, as estimativas dos
parmetros a e b podem ser obtidas com o auxlio da Tabela 6.4.
Tabela 6.4. Dados e clculos para a determinao das somas de quadrados e somas
de produtos.
j xj yj x j x yjy (x j x) 2 (y j y) 2 (x j x)(y j y)
1 73 18,0 -2,2 0,03 4,84 0,0009 -0,066

2 79 20,0 3,8 2,03 14,44 4,1209 7,714
3 80 17,8 4,8 -0,17 23,04 0,0289 -0,816
4 69 21,4 -6,2 3,43 38,44 11,7649 -21,266
5 66 21,6 -9,2 3,63 84,64 13,1769 -33,396
6 75 15,0 -0,2 -2,97 0,04 8,8209 0,594
7 78 14,4 2,8 -3,57 7,84 12,7449 -9,996
8 74 17,8 -1,2 -0,17 1,44 0,0289 0,204
9 74 19,6 -1,2 1,63 1,44 2,6569 -1,956
10 84 14,1 8,8 -3,87 77,44 14,9769 -34,056
Soma 752 179,7 0 0 253,60 68,321 -93,040
Mdia 75,2 17,97
Obtm-se:
93, 04
b = = -0,36688
253, 60
e
a = 17,97 - (-0,36688)75,2 = 45,5594.
Essas estimativas dos parmetros a e b tm os seguintes significados:
a = 45, 559 estimativa do valor do frango (Y), em US$ por 50 kg, que
corresponde quantidade nula de frango comercializado (X=0);
b = 0,367 a estimativa do aumento do valor do frango (Y), em US$ por 50 kg,
que corresponde ao incremento da oferta de um milho de frangos
comercializados. Esse exemplo ilustra o fato de que a estimativa do
parmetro a (interseo) pode no ter sentido se o valor X=0 no pertence ao intervalo entre o
menor e maior valor da varivel explanatria X na amostra. Observe-se que, de modo geral, em
anlise da regresso no so vlidas inferncias por extrapolao, ou seja, estimativas de
valores da varivel resposta somente so vlidas para valores da varivel explanatria
compreendidos no intervalo entre os valores extremos de X na amostra.
A equao de regresso ajustada , ento:
y = 45,5594 - 0,36688x .
Essa equao fornece o valor estimado (ou predito) do preo de frango para uma
produo anual particular. Por exemplo, o preo de frango (em US$/50 kg) estimado para uma
produo anual de 73 milhes de frangos :
y X=73 = 45,5594 - 0,36688(73) = 18,777 .
Esse valor ajustado difere do correspondente valor observado (18,0). O resduo para
essa observao :
e1 = 18,0 - 18,777 = 0,777 .
A Tabela 6.5 apresenta os resduos para as 10 observaes da amostra e
correspondentes valores de outras estatsticas de que se tratar adiante.
Tabela 6.5. Produo anual de frangos (em milhes, X) e correspondente preo

(em US$/50 kg, Y), nos Estados Unidos, no perodo 1950-59,
correspondentes valores ajustados e resduos da regresso de Y em
relao a X, e desvios padres e intervalos de confiana para os
valores ajustados.
j xj yj y j e j s y j EIj ESj
1 73 18,0 18,777 -0,777 0,713 17,14 20,42
2 79 20,0 16,576 3,424 0,819 17,69 18,47
3 80 17,8 16,209 1,591 0,903 14,13 18,29
4 69 21,4 20,245 1,155 1,036 17,85 22,63
5 66 21,6 21,345 0,255 1,361 18,21 24,49
6 75 15,0 18,043 -3,043 0,654 16,53 19,55
7 78 14,4 16,943 -2,543 0,748 15,22 18,67
8 74 17,8 18,410 -0,610 0,672 16,86 19,96
9 74 19,6 18,410 1,190 0,672 16,86 19,96
10 84 14,1 14,741 -0,641 1,316 11,71 17,78
Soma 752 179,7 179,699 0,001
A Figura 6.6 mostra a representao grfica dos valores observados, da reta de

quadrados mnimos ajustada e do resduo para uma observao.
Figura 6.6. Representao grfica dos valores observados e da reta de

quadrados mnimos ajustada para representar a relao
entre preo de frango comercializado e quantidade de
frango produzido, e do resduo para uma observao.
A estimativa da varincia do desvio da regresso , ento,

(-0,777) 2 + 3,424 2 + ...+ (-0,641) 2 = 34,184 = 4,273 .

1 1
s Y2 :X =
8 8
6.4.5 Teste de hiptese
6.4.5.1 Hiptese de relao linear entre Y e X
Uma hiptese fundamental na anlise de regresso linear simples diz respeito

linearidade da forma da relao entre a varivel resposta e a varivel explanatria. A hiptese
estatstica correspondente especificada como segue:
H 0: b = 0

H A : b 0
Um critrio para o teste dessa hiptese provido pela seguinte estatstica t:
b
t= ,
sb
onde s b a estimativa do desvio padro da estimativa do coeficiente de regresso b, isto , a
raiz quadrada da estimativa da varincia da estimativa de b:
1 2
s 2b = s Y:X .
SQX
Sob a hiptese de nulidade (H0: b=0), esta estatstica tem distribuio t (de Student) com os
graus de liberdade da estimativa da varincia do erro, ou seja, n-2.
Exemplo 6.6 (continuao). Para o Exemplo 6.6, tem-se b = -0,367 e:
4, 273
s 2b = = 0,01685 ;
253, 6
donde:
s b = 0, 01685 = 0,1298 .
Ento:
| 0,367|
t= = 2,827 ,
0,1298
a ser comparado com o ponto percentual bilateral superior da distribuio t (Tabela A2) para 8
graus de liberdade da estimativa da varincia do resduo, ou seja:
2,306, P = 0,05
t 8; P =
3,355, P = 0,01
Como o valor calculado da estatstica para os dados est compreendido entre estes dois valores
da tabela, rejeita-se a hiptese de nulidade, concluindo-se que h uma relao linear
significativa (P<0,05) entre o preo do frango comercializado e a quantidade de frango
produzido.
6.4.5.2 Hiptese referente declividade da linha de regresso
Em algumas circunstncias, h interesse em testar a hiptese de que a linha de

regresso tem uma dada declividade, com base em alguma condio ou pressuposio; ou seja,
em testar a seguinte hiptese referente declividade da linha reta:
H 0 : b = b'

H A : b b'
onde b a declividade conjeturada.
Um critrio para o teste dessa hiptese provido pela seguinte estatstica t:
b b '
t= .
s b
Sob a hiptese de nulidade (H0: b = b'), esta estatstica tem distribuio t (de Student) com n-2
graus de liberdade.
O desvio total de uma observao particular em relao mdia de todas as

observaes pode ser decomposto em dois desvios, conforme ilustrado na Figura 6.7:
y j y = ( y j y ) + ( y j y j ) ,
onde:
y j y : desvio atribuvel regresso, isto , grandeza do coeficiente de regresso b;
y j y j : desvio devido ao afastamento do valor observado de Y em relao linha de
regresso ajustada, ou seja, o resduo.
Figura 6.7. Decomposio do desvio total de uma observao no

desvio atribuvel regresso e no resduo.
Elevando ao quadrado ambos os membros da igualdade, obtm-se:

( y j y ) 2 = ( y j y) 2 + ( y j y j ) 2 + 2( y j y)( y j y j )
e, somando para todas as n observaes:
( y j y ) 2 = ( y j y ) 2 + ( y j y j ) 2 ,
n n n
j =1 j =1 j =1
dado que a soma dos produtos dos dois desvios nula.

Assim, a variao total de Y, expressa pela soma dos quadrados (dos desvios) de Y,
denotada por SQ Total, decomposta em dois componentes:
( y j y) 2 : variao atribuvel regresso - soma de quadrados da regresso: SQ

n
j=1
Regresso, e
( y j y j ) 2 : variao atribuvel ao desvio da regresso - soma de quadrados do

n
j=1
resduo: SQ Resduo.
Demonstra-se que:
SQ Regresso = b 2 SQ X =
= b SP XY,
onde as expresses de SQ X e SP XY foram dadas anteriormente. De fato, da equao que
exprime o valor ajustado para a j-sima observao:
y = y + b ( x x )
j j
obtm-se a seguinte expresso:
y y = b ( x x )
j j
que, elevada ao quadrado e somada para todas as n observaes, produz:
( y j y ) 2 = b 2 ( x j x ) 2 =
n n
j =1 j =1
= b 2 SQ X .
Correspondentemente decomposio da variao total, os n-1 graus de liberdade
para o total das n observaes tambm so decompostos em 1 grau de liberdade correspondente
estimativa do coeficiente de regresso e n-2 graus de liberdade correspondentes ao resduo.
Essa decomposio da variao da varivel resposta Y usualmente efetuada com o
auxlio da seguinte "tabela da anlise da variao":
Regresso 1 SQRegresso QMRegresso QMRegresso/QMResduo
Resduo n-2 SQResduo QMResduo
Total n-1 SQTotal
onde:
SQTotal = SQ Y
SQResduo = SQTotal SQRegresso
QMRegresso = SQRegresso,
QMResduo = SQResduo / (n-2).
Demonstra-se que o QMResduo = s 2Y:X um estimador no tendencioso da varincia

do desvio da regresso 2Y:X , isto , que: E(QM Resduo) = 2Y:X , e que E(QMRegresso) =
2Y:X + b 2 (x j x)2 . Por outro lado, ambos os quadrados mdios QMResduo e QMRegresso
n
j=1
so estatisticamente independentes. Logo, a estatstica F = QMRegresso/QMResduo tem
distribuio F com 1 e n-2 graus de liberdade correspondentes QMRegrersso e QMResduo,
respectivamente. Dessa forma, a estatstica F = QMRegresso/QMResduo um critrio para o
teste da hiptese de linearidade da relao entre Y e X:
H0: b = 0

HA: b 0
Essa estatstica F um critrio equivalente estatstica t para o teste desta mesma hiptese. De
fato, demonstra-se que F = t2.
Exemplo 6.6 (continuao). Para os dados do Exemplo 6.6, tem-se:
SQRegresso = (-0,36688)(-93,040) = 34,134,
SQTotal = 68,32,
SQResduo = SQTotal SQRegresso
= 68,321 - 34,134 = 34,187.
A anlise da variao completada na seguinte tabela:
Tabela da anlise da variao:

Regresso 1 34,134 34,134 7,988 0,0223
Resduo 8 34,187 4,273
Total 9 68,321
Se o nvel de significncia (erro tipo I) escolhido para o teste foi = 0,05, dado que F
> F(0,05), rejeita-se a hiptese H0. Conclui-se que h uma relao linear significativa (P <
0,05), no caso negativa, entre a varivel Y (preo de frango) e a varivel X (quantidade de
frango comercializado), isto , que o preo de frango decresce significativamente com o
aumento da quantidade de frango produzido.
Essa concluso a mesma obtida anteriormente pelo teste t. De fato, pode-se verificar
2
que: t 8 = F1;8.
6.4.6 Coeficiente de determinao
O coeficiente de determinao definido como:

SQ Regresso
r2 = ,
SQ Total
isto , a proporo da variao total da varivel resposta Y que levada em conta pelo ajuste
do modelo de regresso linear simples, isto , que explicada pela variao da varivel
independente X pela relao linear.
Segundo sua expresso de definio, o coeficiente de determinao uma grandeza

com o seguinte intervalo de variao:
0 r2 1,
j que a SQRegresso e a SQTotal so ambas, por definio, no negativas e, necessariamente,
SQRegresso SQTotal.
O coeficiente de determinao uma medida da qualidade do ajuste da equao de
regresso linear simples. Nas situaes extremas, tem-se:
- Ajuste perfeito SQRegresso = SQTotal r2 =1,
- Ajuste extremamente mau SQRegresso = 0 r2 =0.
Exemplo 6.6 (continuao). Tem-se, para o Exemplo 6.6, SQRegresso = 34,134 e
SQTotal = 68,321. Logo,
34,134
r2 = = 0,4996.
68, 321
Assim, cerca de 50% da variao total do preo do frango explicada pela variao da
quantidade de frango produzido, pela relao linear.
6.4.7 Intervalo de confiana
6.4.7.1 Intervalo de confiana para o coeficiente de regresso b
Um intervalo de confiana para o coeficiente de regresso linear b com coeficiente

de confiana 1- o intervalo com extremos inferior (EI) e superior (IS) aleatrios que
satisfaz a seguinte condio probabilstica:
Prob(EI < b < ES) = 1 - ,
do que resulta:
EI = b t
IC b (1-) :
s
; b
ES = b + t ; s b

onde t; o valor obtido da tabela de pontos percentuais bilaterais da distribuio t (Tabela
A2) para graus de liberdade da estimativa da varincia do desvio da regresso s 2Y:X e
probabilidade . Como usualmente desejado coeficiente de confiana elevado, escolhe-se
para a probabilidade um valor convenientemente pequeno, mais comumente:
= 0,05 coeficiente de confiana = 0,95 (95%),
= 0,01 coeficiente de confiana = 0,99 (99%).
Nessas condies, um intervalo de confiana com coeficiente de confiana 1- para o
parmetro b o intervalo aleatrio (EI; ES), isto , o intervalo com extremos aleatrios EI e ES
(aleatrios j que EI e ES so funes das variveis aleatrias b e s b ). Observe-se que a
sentena probabilstica Prob(EI<b<ES) = 1- estabelecida a priori, isto , antes da
determinao das estimativas b e s b Aps a determinao dos valores das estatsticas EI e ES,
sejam A e B, respectivamente, a partir de uma amostra particular, no se pode exprimir
Prob(A<b<B) = 1-. Essa sentena no tem sentido, pois A e B so constantes (nmeros reais)
e a probabilidade de um intervalo fixado conter o verdadeiro valor do parmetro 0 ou 1.
De fato, a sentena probabilstica Prob(EI<b<ES) = 1- significa o seguinte: Se
fossem extradas todas as amostras aleatrias possveis da populao e para cada uma dessas
amostras se determinasse um intervalo de confiana para o parmetro b com coeficiente de

confiana 1-, ento a proporo 1- do total dos intervalos de confiana determinados
conteria o parmetro desconhecido b. Posto de modo mais prtico: se fossem determinados os
intervalos de confiana para b com coeficientes de confiana de 95% para cada uma de 100
amostras aleatrias da populao, ento, o real valor do parmetro estaria contido em
aproximadamente 95% dos intervalos determinados.
Exemplo 6.6 (continuao). Intervalo de confiana para o parmetro b com
coeficiente de confiana de 95%. Tem-se: b = -0,367 ; s b = 0,12976 ; t8;0,05 = 2,306. Logo:
EI = -0,36688 - 2,3060,12976 = -0,6661;
ES = -0,36688 + 2,3060,12976 = -0,0677.
Assim, um intervalo de confiana para o coeficiente de regresso linear b com coeficiente de
confiana 0,95 : (-0,6661; -0,0677).
6.4.7.2 Intervalo de confiana para E(Y|X)
Um intervalo de confiana para a ordenada de um ponto sobre a reta postulada para a

populao, para um valor particular x0 de X, isto , um intervalo de confiana para E(Y|X=x0),
com coeficiente de confiana 1- o intervalo com os seguintes extremos aleatrios inferior
(EI) superior (ES):
EI = y t ; s y : x0
IC E(Y|X=x0) (1-) =
ES = y + t ; s y : x0
onde =n-2 e s y :x 0 a estimativa do desvio padro do valor ajustado y para um valor particular
x0, ou seja, a raiz quadrada da varincia do valor ajustado y x0 :
1 (x x )2 2
s 2y:x 0 = + 0 s Y:X .
n SQX
Exemplo 6.6 (continuao). Para a primeira observao (X=73), obtm-se:
1 (7375, 2)2
s 2y:X=73 = 4, 273 + = 0,5089 ;
10 253, 60
donde:
s y:X =73 = 0,5089 = 0,7133.
Ento, o intervalo de confiana para E(Y|X=73) com coeficiente de confiana de 95% obtido
como segue:
EI = 18,777-2,3060,7133 = 17,13,
ES = 18,777+2,3060,713 = 20,42.
Logo:
IC E(Y|X=73) (95%) = (17,13; 20,42).
6.5 Correlao Linear Simples

O coeficiente de correlao linear simples de duas variveis aleatrias Y e X exprime
o grau de associao linear entre essas variveis. Ele denotado pela letra grega e expresso
por:
Cov ( X, Y )
= .
Var( X ) Var(Y )
O coeficiente de correlao linear simples estimado pela estatstica:
(x j x )( y j y )
n
j=1 SP XY
r= = .
(x j x ) ( y j y )
n n SQ X SQ Y
2 2
j=1 j=1
Exemplo 6.6 (continuao). Retorne-se aos dados do Exemplo 6.6, referentes

quantidade anual de frangos comercializados e correspondentes preos no perodo de 1950 a
1959. A questo bsica de interesse a seguinte: os dados confirmam a associao linear
negativa esperada entre oferta e preo nesse perodo (ou seja, maiores produes so
acompanhadas de preos mais baixos)? Esse fato aparentemente evidenciado pelo diagrama de
pontos da Figura 6.5 que revela a tendncia geral dos pontos esquerda situarem-se em
posio mais elevada do que os pontos direita. Entretanto, para quem esperasse uma
associao bastante elevada entre demanda e preo, a disperso dos pontos mostrada nessa
figura pode ser desapontadora. Os pontos parecem situar-se dentro de uma elipse, o que
tpico de diagramas que correspondem associao de grau mdio.
Utilizando resultados anteriores, obtm-se a estimativa do coeficiente de correlao
linear:
93, 04
r= = 0, 707 .
(253, 60)(68, 32)
Relao entre coeficiente de correlao linear simples e coeficiente de

determinao
O coeficiente de correlao linear simples entre duas variveis aleatrias X e Y a

raiz quadrada do coeficiente de determinao correspondente ao ajuste da regresso linear
simples de Y em relao a X. De fato, tem-se:
SQ Regresso
r2 =
SQ Total
SP XY
SP XY
SQ X
= ;
SQ Y
logo,
SP XY
r= .
SQ X SQ Y
Essa relao entre coeficiente de correlao e coeficiente de determinao a
justificativa para o uso dos correspondentes smbolos: r e r2.
Relao entre coeficiente de correlao e coeficiente de regresso
Tem-se:
SP XY SP XY SQ X
r= =
SQ X SQ Y SQ X SQ Y SQ X
SP XY SQ X SQ X
=
= b ,
SQ X SQ Y SQ Y
ou seja:
SQ X
r = b .
SQ Y
Essa relao implica que o coeficiente de correlao linear simples tem o mesmo sinal
do coeficiente de regresso linear simples.
Essas relaes so particularmente importantes porque permitem a derivao do
coeficiente de correlao linear simples a partir do coeficiente de determinao ou do
coeficiente de regresso.
Exemplo 6.6 (continuao). Para os dados do Exemplo 6.6, obteve-se: r2 = 0,50 e
b = -0,367 . Logo, o coeficiente de correlao linear simples pode ser obtido indiretamente de
uma das duas seguintes maneiras alternativas:
r = r2
= 0, 4996 = 0, 707 ,
onde o sinal negativo atribudo pelo sinal da estimativa do coeficiente de regresso linear
simples: b = -0,367 ; ou
SQ X
r = b
SQ Y
253, 60
= 0,367 = 0, 707 .
68, 32
Variao do coeficiente de correlao linear simples O coeficiente de

determinao assume valores no intervalo [0; 1] (Seo 6.4.6). Ento, segundo a relao entre
o coeficiente de correlao linear simples e o coeficiente de determinao: -1 r 1. Para os
valores de r nos extremos e no meio deste intervalo [-1; 1] a associao linear entre as variveis
aleatrias X qualificada como segue:
r = -1: associao linear perfeita negativa,
r = 1: associao linear perfeita positiva,
r = 0: associao linear nula (inexistente).
A Figura 6.8 ilustra diagramas de disperso de pontos correspondentes a associaes
lineares de vrios graus. Em uma associao perfeita os pontos situam-se exatamente sobre
uma reta no paralela ao eixo X. Nesse caso, a associao positiva se a declividade da reta
(em relao ao eixo X) positiva, e negativa se a declividade negativa. Na situao usual em
que os pontos no se situam todos sobre uma reta, o sinal da associao corresponde ao sinal da
declividade do eixo maior da elipse que contorna os pontos. A associao nula corresponde
situao em que a elipse reduz-se a um crculo.
Figura 6.8. Diagramas de pontos correspondentes a diferentes graus de associao

de duas variveis e respectivos coeficientes de correlao.
6.6 Exerccios
Um experimento foi realizado com o objetivo de verificar se existe uma relao linear entre a
quantidade de fsforo no tecido da planta de uma cultivar de feijo e a quantidade de fsforo
adicionada ao solo como fertilizante. A quantidade mdia de fsforo no tecido das plantas
colhidas das parcelas para anlise (em ppm, Y) e as correspondentes doses de fsforo aplicadas
ao solo (em kg/ha, X) so dadas a seguir:
X: 0 20 40 60 80
Y: 0,2 0,3 0,5 0,6 0,8
a) Estime a equao de regresso: E(Y) = a + bX.

b) Efetue a anlise da variao e teste a hiptese H0: b=O; HA: bO, pela estatstica F.
c) Calcule o coeficiente de determinao r2.
d) Calcule os valores ajustados de Y para as doses de fsforo utilizadas no experimento.
Determine o coeficiente de correlao entre os valores observados e os valores ajustados
de Y. Verifique que o quadrado desse coeficiente de correlao igual ao valor do
coeficiente de determinao encontrado no item anterior.
e) Redija a concluso referente adequabilidade da relao linear, com base nos
resultados obtidos nos itens b e c.
Em um experimento em que se estudou o efeito do nvel de gua aplicada por meio de

irrigao sobre o rendimento de gros de arroz irrigado foram obtidos os seguintes resultados:
Soma
Nvel de gua (X): 12 18 24 30 36 42 48 210
Produo (Y): 5,27 5,68 6,25 7,21 8,02 8,71 8,42 49,56
A soma dos produtos para as variveis X e Y, corrigida para as correspondentes mdias,

103,68.
a) Especifique as pressuposies para o ajustamento do modelo de regresso linear E(Y) =
a+bX.
b) Efetue o ajustamento do modelo de regresso linear especificado no item anterior.
c) Teste a hiptese H0: b=0 contra a alternativa HA: b0.
d) Interprete o significado geomtrico dos coeficientes a e b do modelo de regresso linear
simples.
e) Calcule e interprete o coeficiente de determinao.
f) Redija as concluses.
No estudo da relao linear entre duas variveis negativamente correlacionadas foram obtidos
os seguintes dados:
x = 0 ; y = 12 ; sx=8; sy=10; e r2=0,64.
Determine a estimativa da equao de regresso linear de Y em relao a X.
Decida se cada uma das seguintes sentenas verdadeira ou falsa, indicando as letras V e F
entre parnteses, respectivamente. Se a sentena for falsa, explique por que.
( ) A frase "regresso de Y em relao a X" indica uma relao negativa entre as
variveis Y e X.
( ) Unidades de medida podem afetar tanto a magnitude como a significncia da
declividade da reta de regresso ajustada.
( ) A linha de regresso ajustada chamada "linha de quadrados mnimos" porque, para
ela, a soma dos quadrados dos desvios entre os valores observados e os valores
ajustados menor do que para qualquer outra linha reta ajustada aos pontos da reta.
( ) A linha reta sempre passa pela origem.
( ) Se a varivel independente medida em gramas e a varivel dependente em
centmetros, ento a declividade da reta de regresso ajustada expressa em gramas
por centmetro.
( ) Se o coeficiente de regresso linear b igual a 1, todos os pontos da amostra ficam
sobre a reta de regresso ajustada.
( ) Se o coeficiente de regresso linear b igual a zero, nenhum dos pontos da amostra
fica sobre a reta de regresso ajustada.
( ) Se a declividade da linha de regresso que relaciona o volume de um bolo com a
quantidade de farinha 4,1 cm3/g, isto significa que para cada grama adicional de
farinha o crescimento mdio em volume do bolo ser 4,1 cm3.
( ) A soma dos produtos dos desvios de duas variveis sempre positiva.
( ) Se a reta de regresso passa pelo ponto (0,0) e o ponto correspondente s mdias de X
e Y, ento sua declividade b=1.
( ) Para um dado valor amostral de X o correspondente valor amostral de Y pode ou no

ficar sobre a reta de regresso ajustada.
( ) possvel ajustar outra linha reta, alm da reta de quadrados mnimos, para a qual a
soma de quadrados dos desvios nula.
( ) Em uma amostra para a qual todos os valores de X so iguais, b = 0 .
( ) Se o sinal do coeficiente angular da reta de regresso negativo, o coeficiente angular
provavelmente no significativamente diferente de zero.
( ) O pesquisador testaria a hiptese de nulidade do coeficiente de regresso se ele
pensasse que a declividade da reta fosse negativa.
( ) Se h 30 valores na amostra, ento h 28 graus de liberdade associados com um teste t
de uma hiptese referente ao coeficiente de regresso linear simples.
( ) Quanto melhor a reta se ajusta aos valores da amostra, menor ser a soma dos
quadrados dos desvios correspondentes aos valores da varivel independente.
( ) Na medida em que a disperso dos pontos torna-se maior, o desvio padro do
coeficiente de regresso b torna-se menor.
( ) Se a estimativa do coeficiente de regresso b igual a 10, ento b significativamente
diferente de zero.
( ) Pode haver uma relao de dependncia forte entre Y e X que no seja detectada pela
anlise de regresso linear.
( ) Se o resultado do teste de significncia referente ao coeficiente de regresso
significativo, os valores ajustados para dois valores diferentes da varivel
independente so diferentes.
( ) A soma dos desvios verticais dos valores amostrais de Y em relao linha de
regresso ajustada igual zero.
( ) A varincia de valores ajustados da reta de regresso linear simples estimada com n-
1 graus de liberdade.
( ) Mesmo se a hiptese de nulidade do coeficiente de regresso aceita, a reta de
regresso ajustada pode ser utilizada para predio vlida.
( ) Quando a soma dos quadrados dos desvios da regresso grande relativamente
soma de quadrados total, isso indica que uma grande proporo da variabilidade de Y
atribuda relao linear entre Y e X.
( ) O intervalo de confiana para E(Y|X=x*) ter maior amplitude para o valor x * = x
do que para qualquer outro valor x* de X.
( ) Para um dado valor da varivel independente X, o intervalo de predio para um
futuro valor de Y ter maior amplitude que o intervalo de confiana para o valor
mdio de Y para aquele mesmo valor de X.
( ) Podem-se estabelecer intervalos de confiana para a verdadeira declividade da reta de
regresso, a verdadeira interseo com o eixo Y e a verdadeira mdia de Y para
qualquer valor de X.
( ) Quando efetua o ajustamento de uma reta de regresso, o experimentador pressupe
que h uma relao de causa-efeito entre X e Y.
( ) A soma dos quadrados dos desvios da regresso mede a variao que no explicada
pela reta de regresso.
( ) Com outras condies constantes, quanto maior a soma dos quadrados dos desvios da
regresso, mais provvel que a declividade da reta de regresso seja
significativamente diferente de zero.
( ) A soma dos quadrados dos desvios da regresso no pode ser maior que a soma de
quadrados total.
( ) Se a declividade da reta de regresso ajustada um valor numrico grande, a relao
entre Y e X forte.
( ) Se todos os valores da amostra ficam sobre a reta de regresso ajustada, a soma de
quadrados total igual a zero.
( ) Uma das pressuposies da anlise de regresso que a varivel dependente tem
distribuio normal.
( ) Em testes de significncia referentes ao coeficiente de regresso b pressupe-se que Y
tem a mesma varincia para todos os valores fixos de X.
( ) Aceitar a hiptese de nulidade da declividade da reta de regresso decidir que no h
relao linear entre Y e X.
( ) Aceitar a hiptese de nulidade do coeficiente de correlao linear decidir que no h
relao entre Y e X.
( ) Quando cresce o grau de associao de duas variveis, melhora o ajustamento da reta
de regresso.
( ) Quanto maior a magnitude de r, mais forte a relao linear entre X e Y.
( ) Quando calcula um coeficiente de correlao, o experimentador pressupe que h uma
relao de causa-efeito entre X e Y.
( ) Em inferncias referentes ao coeficiente de correlao, os valores de X podem ser
fixos ou provenientes de amostragem aleatria, mas os valores de Y devem provir de
uma amostra aleatria.
( ) Se os papis de X e Y so trocados, a equao de regresso permanece a mesma.
( ) Se os papis de X e Y so trocados, o coeficiente de correlao permanece o mesmo.
7 Anlise de Regresso Linear Mltipla
Contedo
7.1 Introduo ................................................................................................................. 241

7.2 Regresso Linear Mltipla Com Duas Variveis Explanatrias .............................. 242
7.2.1 Modelo estatstico................................................................................................. 244
7.2.2 Estimao dos parmetros .................................................................................... 245
7.2.3 Equao do plano ajustado ................................................................................... 246
7.2.4 Estimativa da varincia do erro ............................................................................ 246
7.2.5 Anlise da variao .............................................................................................. 249
7.2.6 Coeficiente de determinao ................................................................................ 250
7.2.7 Varincias e covarincias das estimativas dos coeficientes de regresso
parciais ................................................................................................................. 251
7.2.8 Notao matricial ................................................................................................. 252
7.2.9 Testes de Hipteses .............................................................................................. 252
7.2.9.1 Teste da hiptese de linearidade da relao entre a varivel resposta
e as variveis explanatrias ................................................................................. 252
7.2.9.2 Testes de hipteses parciais .......................................................................... 253
7.2.9.3 Testes de hipteses sequenciais .................................................................... 254
7.3 Regresso Curvilnea Polinomial ............................................................................. 258
7.4 Exerccios ................................................................................................................. 264
7.1 Introduo
Os princpios bsicos e os procedimentos da anlise da regresso linear simples
podem ser estendidos para situaes que envolvem duas ou mais variveis explanatrias. De
fato, essas so as circunstncias mais comuns nas aplicaes.
Em anlise de regresso linear mltipla, postula-se o seguinte modelo populacional
para a relao entre uma varivel resposta Y e k variveis explanatrias X1, X2, ..., Xk:
E(Y) = b0 + b1X1 + b2X2 +...+ bkXk,
onde b0, b1, b2, ..., bk, so constantes desconhecidas, isto , parmetros.
Os coeficientes b1, b2, ..., bk das variveis explanatrias X1, X2, ..., Xk so
denominados coeficientes de regresso parciais.
Inferncias estatsticas (estimao por ponto e por intervalo e testes de hipteses) so
derivadas com base em uma amostra de n observaes em cada uma das k+1 variveis X1, X2,
..., Xk e Y,ou seja, em um conjunto de observaes {(x11,x21,...,xk1, y1), (x12,x22,...,xk2, y2),...,
(x1n,x2n,...xkn, yn)}.
Postula-se que, para a j-sima observao, a relao entre a varivel resposta Y e as

variveis explanatrias X1, X2, ..., Xk expressa pela seguinte equao (denominada equao
do modelo amostral):
yj = b0 + b1x1j + b2x2j +...+ bkxkj + ej, j=1,2,...,n,
onde ej o desvio da regresso, ou seja, o desvio entre o valor observado yj e o valor esperado
E(yj) da observao.
O modelo estatstico se completa com as seguintes pressuposies referentes aos
termos e aos smbolos da equao:
1) A varivel resposta Y funo linear das variveis explanatrias Xi, i=1,2,...,k.
(Esta pressuposio est implcita na forma do modelo.)
2) Os valores das variveis explanatrias so fixos, isto , observados sem erro.
3) b0, b1, b2, ..., bk so constantes desconhecidas, isto , parmetros.
4) Os termos ej, j=1,2,...,n, que representam desvios dos valores observados em
relao aos valores esperados, so variveis aleatrias com a mesma varincia 2Y:X1 ,X2 ,...,X k . Essa
a pressuposio de homogeneidade de varincia.
5) Os erros tm distribuio normal.
6) Os erros so no correlacionados (o que implica em sua independncia estatstica,
dado que tm distribuio normal).
Uma equao de regresso linear simples representada geometricamente por uma
reta em um espao de duas dimenses. Uma equao de regresso linear com duas variveis
explanatrias tem como representao geomtrica um plano em um espao de trs dimenses.
Essas representaes geomtricas facilitam as interpretaes dos fundamentos conceituais e
dos procedimentos estatsticos da anlise da regresso nas situaes de uma e duas variveis
explanatrias. Entretanto, uma equao de regresso linear com mais de duas variveis
explanatrias no pode ser representada nesses espaos em que o homem tem experincia.
Genericamente, uma equao de regresso linear mltipla com k (k>2) variveis
explanatrias a representao analtica de um hiperplano em um espao de k+1 dimenses.
O desenvolvimento algbrico dos fundamentos tericos e os procedimentos
computacionais da anlise da regresso linear so relativamente simples para a situao de
duas variveis explanatrias, constituindo, em geral, uma extenso simples da anlise de
regresso linear com uma nica varivel explanatria. Entretanto, para as situaes de mais de
duas variveis explanatrias, eles se tornam complexos e trabalhosos com os recursos da
lgebra usual e de calculadoras comuns. A fundamentao terica torna-se consideravelmente
facilitada com os recursos de sintetizao simblica propiciados pela lgebra linear matricial,
enquanto que a implementao dos procedimentos computacionais com os recursos da
computao eletrnica facilita as aplicaes.
Assim, por convenincia didtica, abordar-se-, inicialmente, a anlise da regresso
linear mltipla com duas variveis explanatrias.
7.2 Regresso Linear Mltipla Com Duas Variveis Explanatrias

Em anlise de regresso linear mltipla com duas variveis explanatrias, postula-se o
seguinte para a relao entre o valor esperado (populacional) da varivel resposta Y e as duas
variveis explanatrias X1 e X2:
E(Y) = b0 + b1X1 + b2X2,
7. Anlise de Regresso Linear Mltipla 243
onde b0, b1 e b2 so constantes desconhecidas, isto , parmetros. Os coeficientes b1 e b2 das

variveis explanatrias X1 e X2 so denominados coeficientes de regresso parciais.
Representao geomtrica. Essa equao linear com duas variveis independentes
a expresso analtica de um plano no espao de trs dimenses. A representao geomtrica de
uma equao linear com duas variveis independentes em um sistema de coordenadas
cartesianas ortogonais ilustrada na Figura 7.1.
Figura 7.1. Representao geomtrica de uma equao de regresso linear

com duas variveis explanatrias.
Um ponto P em um espao de trs dimenses determinado por um conjunto

ordenado de trs valores particulares das variveis X1, X2 e Y; seja, (x10, x20, y0),
correspondentes aos lados do paralelogramo construdo pelas projees ortogonais do ponto P
sobre os trs planos X1Y, X2Y e X1X2. Esses valores so denominados, respectivamente,
abscissa, ordenada e cota do ponto P. Reciprocamente, um conjunto ordenado de trs valores
das variveis X1, X2 e Y determina um ponto no espao de trs dimenses.
O parmetro b0 o valor a que se reduz a equao quando ambas as variveis
independentes X1 e X2 assumem o valor zero. Assim, b0 a ordenada do ponto de interseo do
plano E(Y) com o eixo Y, ou seja, a distncia desse ponto ao eixo X1. Por essa razo, este
parmetro denominado interseo. O parmetro b1 a declividade da reta de interseo do
plano E(Y) com o plano X1Y; ou, de modo mais geral, a declividade da interseo do plano
E(Y) com qualquer plano paralelo ao plano X1Y. Isso significa que b1 a declividade da reta a
que se reduz o plano E(Y) quando fixado um valor particular (qualquer) para a varivel X2, o
que reduz o sistema tridimensional a duas dimenses. (Nessa situao, a relao linear reduz-se
a uma nica varivel explanatria.)
Semelhantemente, o parmetro b2 a declividade da reta de interseo do plano E(Y)
com o plano X2Y; ou, de modo mais geral, a declividade da interseo do plano E(Y) com
qualquer plano paralelo ao plano X2Y. Logo, b2 a declividade da reta a que se reduz o plano
E(Y) quando fixado um valor particular (qualquer) para a varivel X1.
A Figura 7.2 ilustra esses significados dos parmetros b0, b1 e b2.
Figura 7.2. Grfico do plano E(Y) = b0 + b1X1 + b2X2 e indicao dos

significados geomtricos dos parmetros b0, b1 e b2.
Os parmetros b0, b1 e b2 tm significados importantes relativamente relao linear

postulada E(Y) = b0 + b1X1 + b2X2. A interseo b0 o valor esperado da resposta Y para
valores nulos de ambas variveis explanatrias X1 e X2. O coeficiente de regresso parcial b1
exprime a alterao esperada da varivel resposta Y para uma alterao de uma unidade da
varivel explanatria X1 quando a varivel X2 mantida constante (ou de alguma forma
controlada). Explicando de outra forma, b1 a diferena esperada dos valores da varivel
resposta Y em duas unidades da populao que diferem em uma unidade da varivel
explanatria X1, mas para as quais a varivel X2 tem o mesmo valor. Semelhantemente, o
coeficiente de regresso parcial b2 exprime a alterao esperada da varivel resposta Y para
uma alterao de uma unidade da varivel explanatria X2 quando a varivel X1 mantida
constante. Essa interpretao justifica a designao de coeficientes de regresso parciais para
b1 e b 2 .
Como consequncia dessa interpretao dos coeficientes de regresso parciais b1 e b2
e da forma linear postulada para a relao entre Y e (X1, X2), os efeitos combinados de
alteraes de X1 e X2 sobre a varivel Y so aditivos. Ou seja, a alterao esperada da varivel
resposta Y para as alteraes simultneas de uma unidade de cada uma das duas variveis
explanatrias X1 e X2 b1+b2.
7.2.1 Modelo estatstico
Postula-se que a relao entre o valor observado da varivel resposta Y na j-sima

unidade da amostra e os correspondentes valores das duas variveis explanatrias X1 e X2
expressa pela seguinte equao:
yj = b0 + b1x1j + b2x2j + ej, j=1,2,...,n,
onde b0, b1 e b2 so parmetros e ej o desvio entre o valor observado yj e o correspondente
valor esperado E(yj) da varivel resposta.
O modelo estatstico se completa com as pressuposies listadas na Seo 7.1, para a
situao particular n=2.
A estimao pelo mtodo dos quadrados mnimos consiste em determinar para

estimadores dos parmetros do modelo, b0, b1 e b2, os valores b 0 , b 1 e b 2 que minimizam a
soma dos quadrados dos erros como funo desses parmetros:
e2j
n
f(b0 ,b1 ,b 2 ) = =
j=1
( y j b0 b1x1 j b 2 x 2 j ) 2 .
n
=
j=1
O processo de minimizao conduz s seguintes equaes, denominadas equaes

normais:

nb 0 + ( x1 j ) b 1 + ( x 2 j ) b 2 = y j
n n n

j=1 j =1 j =1
( x1 j ) b 0 + ( x1 j ) b 1 + ( x1 j x 2 j ) b 2 = x1 j y j
n n n n
2
j =1
n
j =1 j =1 j =1
+ ( x x ) b + ( x 2 ) b = x y

n n n
j =1
( x 2j ) b 0 1j 2 j 1 2j 2 2j j
j =1 j =1 j =1
Subtraindo da segunda e da terceira equaes a primeira equao multiplicada por x1 j / n e

n
j =1
x2 j / n
n
por , respectivamente, obtm-se o seguinte sistema de duas equaes em b 1 e b 2 :
j=1
b 1 SQ X1 + b 2 SP X1X 2 = SP X1Y

b1 SP X1X 2 + b 2 SQ X 2 = SP X 2Y

onde:
( x ij x i )2 x ij2 n ( x ij )2 ,
n n n
1
SQ Xi = = i=1,2,
j=1 j=1 j=1
( x1 j x1 )( x 2 j x 2 ) = x1 j x 2 j n ( x1 j )( x 2 j ) ,
n n 1 n n
SP X1X2 =
j=1 j=1 j=1 j=1
(x ij x i )( y j y) = x ij y j n ( x ij )( y j ) ,
n n n n
1
SP XiY = i=1,2.
j=1 j=1 j=1 j=1
A soluo desse sistema de duas equaes fornece as estimativas b1 e b 2 dos coeficientes de

regresso parciais b1 e b2. A estimativa da interseo b0 obtida da primeira equao, pela
substituio das estimativas b 1 e b 2 :
b 0 = y b 1 x1 b 2 x 2 .
7.2.3 Equao do plano ajustado
A equao do plano ajustado (tambm denominada equao predita, equao

ajustada, ou equao de quadrados mnimos) obtida da equao do modelo populacional
pela substituio dos parmetros b0, b1 e b2 pelas respectivas estimativas de quadrados
mnimos b 0 , b 1 e b 2 :
y = b + b x + b x .
0 1 1 2 2
Ento, a estimativa da resposta para um par particular de valores das variveis

independentes x1 e x2, sejam x 1' e x 2' , obtida pela substituio destes valores nesta equao:
y ' = b 0 + b 1x1' + b 2 x '2 .
Em particular, a substituio de cada um dos pares de valores experimentais ou observados de
X1 e X2, ou seja, (x1j,x2j), j=1,2,...,n, nesta equao produz os valores preditos que
correspondem aos respectivos valores observados da varivel resposta Y. Os valores preditos
so as projees dos valores observados no plano ajustado, ortogonais ao plano X1X2.
Outra forma da equao de quadrados mnimos pode ser obtida pela substituio da
expresso do estimador da interseo:
y = y + b ( x x ) + b ( x x ) .
1 1 1 2 2 2
Define-se como resduo de uma observao yj da varivel resposta, denotado por e j ,

a diferena entre o valor observado yj e o correspondente valor estimado y j :
e j = y j y j , j=1,2,...,n.
Propriedades dos estimadores de quadrados mnimos
Os estimadores de quadrados mnimos tm as seguintes duas propriedades:

1) A soma dos resduos nula:
e j = ( y j y j ) = 0 .
n n
j =1 j =1
2) A soma dos quadrados dos resduos mnima, ou seja, a soma dos quadrados das
distncias entre os valores observados da varivel resposta e suas projees sobre um plano no
espao de trs dimenses ortogonais ao plano (X1,X2) mnima quando esse plano o plano de
quadrados mnimos.
7.2.4 Estimativa da varincia do erro
Uma estimativa no tendenciosa da varincia 2Y:X1 ,X 2 provida por:

1 n
s 2Y:X1 ,X 2 = e 2j ,
n 3 j=1
onde n-3 o correspondente nmero de graus de liberdade (nmero de observaes subtrado

do nmero de parmetros do modelo estimados).
Exemplo 7.1. Para ilustrao, considerem-se os resultados de um experimento que
teve como propsito estudar o efeito da suplementao de sal mineral e clcio na dieta de
ovinos sobre o peso ao abate. As combinaes das doses dos dois suplementos e os resultantes
ganhos mdios de peso por animal so apresentadas na Tabela 7.1.
Tabela 7.1. Ganho mdio de peso por animal (em kg, Y) e correspondentes
combinaes de doses de sal mineral (em kg, X1) e de clcio (em
kg, X2) administradas na rao.
Animal (j) x1j x2j yj

1 0 0 1,5
2 1 2 6,5
3 1 4 10,0
4 2 2 11,0
5 2 4 11,5
6 3 6 16,5
Soma 9 18 57,0
Mdia 1,5 3 9,5
As somas de quadrados e de produtos dos valores observados das variveis X1, X2 e Y

so:
SQ Y=128,5; SQ X1=5,5; SQ X2=22,
SP X1Y= 25,5; SP X2Y= 49; SP X1X2= 9.
Logo, o sistema de equaes normais que prov as estimativas dos coeficientes de regresso
parciais b1 e b2 :
5,5 b 1 + 9 b 2 = 25,5

9 b1 + 22 b 2 = 49

A soluo ( b e b ) desse sistema de duas equaes a duas incgnitas pode ser obtida, por
1 2
exemplo, por adio: multiplica-se cada equao por uma constante, de modo a reduzir os
coeficientes de uma das incgnitas a um mesmo valor com sinais contrrios nas duas equaes;
somam-se, ento as duas equaes, membro a membro. Por exemplo, multiplicando a primeira
equao por -9 e a segunda por 5,5, respectivamente os coeficientes de b 1 na segunda e na
primeira equao, obtm-se:
49,5b 1 81b 2 = 229,5

49,5b1 + 121b 2 = 269,5

___________________
0 b 1 + 40 b 2 = 40; logo, b 2 =1.
Substituindo este valor b =1 em uma das duas equaes, na segunda equao, por exemplo,
2
obtm-se:
9 b 1 + 22(1) = 49; donde: b 1 =3.
A estimativa da interseo b0 , ento, obtida pela substituio dessas estimativas b 1 =3 e b 2 =1
na expresso do estimador b 0 . Obtm se:
b 0 = 9,5 - 3(1,5) - 1(3) = 2.

Logo, a equao ajustada :
y = 2 + 3X 1 + X 2 .
As estimativas dos parmetros b0, b1 e b2 tm os seguintes significados referentes
relao de interesse entre a varivel resposta Y e as variveis explanatrias X1 e X2.
b0 = 2: estimativa do ganho de peso de ovinos (Y), em kg/animal, que no
recebem suplementao de sal mineral e clcio, ou seja, para X1=0 e
X2=0;
b1 = 3: estimativa do ganho de peso de ovinos(Y), em kg/animal, que corresponde
a 1 kg de suplemento de sal mineral (X1) na rao, para uma quantidade
fixa, qualquer, de suplementao de clcio (X2);
b 2 = 1: estimativa do ganho de peso de ovinos, em kg/animal, que corresponde a 1
kg de suplemento de clcio (X2) na rao, para uma quantidade fixa,
qualquer, de suplementao de sal mineral (X1).
A equao ajustada y = 2 + 3X 1 + X 2 prov os valores estimados da varivel
resposta para pares particulares de valores das variveis explanatrias X1 e X2 nos respectivos
intervalos entre o menor e maior valor presente na amostra, ou seja, nos intervalos [0; 3] e [0;
6]. Por exemplo, a resposta estimada para (x1;x2) = (1;1,5) :
y X1 =1;X 2 =1,5 = 2 + 3(1) + 1,5 = 6,5.
Em particular, pode-se determinar o valor estimado para cada par de valores de X1 e X2 na
amostra. Ento, podem-se obter os resduos, ou seja, as diferenas entre as respostas
observadas e as correspondentes respostas estimadas. As respostas estimadas e os resduos para
o exemplo so apresentados na Tabela 7.2.
Tabela 7.2. Valores observados e estimados e resduos da anlise de regresso

mltipla do ganho de peso (Y) em relao suplementao de sal
mineral (X1) e de clcio (X2). Exemplo 7.1.
Animal (j) x1j x2j yj y j e j = y j y j

1 0 0 1,5 2,0 -0,5
2 1 2 6,5 7,0 -0,5
3 1 4 10,0 9,0 1,0
4 2 2 11,0 10,0 1,0
5 2 4 11,5 12,0 -0,5
6 3 6 16,5 17,0 -0,5
Soma 9 18 57,0 0,0
Mdia 1,5 3 9,5
Uma estimativa da varincia do desvio da regresso , ento, provida por:
s 2Y:X1 ,X 2 = ( 0, 5) 2 + ( 0,5) 2 +...+ ( 0,5) 2 = 3, 0 = 1, 0 .

1 1
6 3 3
Essa estimativa da varincia do desvio da regresso pode ser mais convenientemente

determinada pelo procedimento da anlise de variao, tambm til para propiciar critrios
para testes de hipteses de interesse.
O desvio total de uma observao yj em relao mdia y pode ser decomposto em

dois desvios: o desvio do correspondente ponto sobre o plano ajustado y em relao mdia
y e o desvio da observao yj em relao ao ponto sobre o plano ajustado y j :
y j y = ( y j y ) + ( y j y j ) .
O primeiro termo no segundo membro exprime a distncia vertical da projeo do ponto
correspondente resposta observada sobre o plano ajustado em relao mdia geral. O
segundo termo desvio do ponto correspondente resposta observada em relao sua
projeo sobre o plano de regresso. Portanto, o primeiro termo do segundo membro exprime a
declividade do plano de regresso e o segundo, o desvio do ponto observado em relao a esse
plano, ou seja, o desvio da regresso.
Elevando ambos os membros ao quadrado e somando para todas as n observaes,
obtm-se:
( y j y) 2 = ( y j y)2 + ( y j y j ) 2 .
n n n
j =1 j =1 j =1
Dessa forma, a variao total da varivel resposta decomposta em duas partes: variao
atribuvel regresso e variao atribuvel ao desvio da regresso, ou resduo. Simbolicamente,
essa decomposio indicada por:
SQ Total = SQ Regresso + SQ Desvio.
Uma expresso mais conveniente para o clculo da SQ Regresso pode ser obtida a
partir da expresso alternativa da equao de regresso estimada:
y = y + b ( x x ) + b ( x x ) ,
j 1 1j 1 2 2j 2
ou seja:
y j y = b 1 ( x1 j x1 ) + b 2 ( x 2 j x 2 ) ,
donde:
( y j y) 2 = [b 1 ( x1 j x1 ) + b 2 ( x 2 j x 2 )]2 =
n n
j =1 j =1
= b 12 ( x1 j x1 ) 2 + b 22 ( x 2 j x 2 ) 2 + 2 b 1b 2 ( x1 j x1 )( x 2 j x 2 ) .
j j j
Observando que essa expresso a soma dos primeiros membros das duas equaes normais
para a estimao de b1 e b2 multiplicadas por b 1 e b 2 , respectivamente, resulta, utilizando os
segundos membros daquelas equaes:
( y j y) 2 = b 1 ( x1 j x1 )( y j y) + b 2 ( x 2 j x 2 )( y j y) =
n
j =1 j j
= b 1 SPX1Y + b 2 SPX 2 Y .
Correspondentemente, os n-1 graus de liberdade da variao total de Y decompem-se
em 2 graus de liberdade para a regresso (um para cada uma das duas estimativas dos
coeficientes de regresso parciais) e n-3 graus de liberdade para o desvio da regresso. Essa
decomposio da variao total pode ser apresentada em uma tabela da anlise da variao -
Tabela 7.3.
Tabela 7.3. Anlise da variao para regresso linear com duas

variveis explanatrias.
Regresso 2 b 1 SPX1Y + b 2 SPX2 Y
Resduo n-3 (por diferena)
Total n-1 SQ Y
Exemplo 7.1 (continuao). Para o Exemplo 7.1, tem-se:

SQ Total = SQ Y = 128,5;
SQ Regresso = b 1 SPX1Y + b 2 SPX2 Y =
= 3 (25,5) + 49 = 125,5.
A anlise da variao pode ser completada na prpria tabela da anlise da variao - Tabela
7.4.
Tabela 7.4. Anlise da variao para o teste da hiptese de linearidade

da relao entre ganho de peso (Y) e suplementao de sal
mineral (X1) e de clcio (X2). Exemplo 7.1.

Regresso 2 125,5 62,75 62,75 0,0036
Resduo 3 3,0 1,00
Total 5 128,5
7.2.6 Coeficiente de determinao
Define-se como coeficiente de determinao, designado por R2, a razo entre a

variao atribuvel regresso e a variao total, ou seja:
SQ Re gresso
R2 = .
SQ Total
Assim, o coeficiente de determinao da regresso mltipla da varivel resposta Y em relao
s variveis explanatrias X1 e X2 a proporo da variao total de Y que "explicada" pela
regresso de Y em relao X1 e X2.
O coeficiente de determinao algumas vezes expresso em percentagem, pela
multiplicao de R2 por 100.
Denomina-se coeficiente de indeterminao ao complemento do coeficiente de
determinao em relao unidade, que a razo entre a variao atribuvel ao resduo e a
variao total:
SQ Resduo
1 R 2 = .
SQ Total
Dado que a variao atribuvel ao resduo e a variao total so baseadas em
diferentes graus de liberdade, pode ser mais conveniente a expresso do coeficiente de
indeterminao pelo quociente das correspondentes estimativas de varincias:
SQ Re sduo (n 3) n 1 SQ Re sduo
1 R C2 = =
SQ Total (n 1) n 3 SQ Total
n 1
= (1 R 2 ) ;
n 3
donde resulta:
n 1
R C2 = 1 (1 R 2 )
n 3
2
= R2 (1 R 2 ) ,
n 3
que o coeficiente de determinao corrigido para graus de liberdade.
Exemplo 7.1 (continuao). Para o Exemplo 7.1,
125, 5
R2 = = 0,977 .
128, 5
Logo, 97,7% da variao total explicada pela regresso, ou, melhor dito, 97,7% da variao
do ganho de peso dos ovinos levada em conta quando se exprime o ganho de peso como uma
relao linear da suplementao mineral e da suplementao de clcio.
O coeficiente de determinao corrigido usualmente levemente inferior:
2
R C2 = 0, 977 (1 0,977) = 0,961 .
3
7.2.7 Varincias e covarincias das estimativas dos coeficientes de regresso parciais
As varincias das estimativas dos coeficientes de regresso parciais so dadas pelas

seguintes expresses:
SQ X 2 2
Var(b 1 ) = Y:X1 ,X 2 ,
D
SQ X1
Var(b 2 ) = Y:X
2
1 ,X 2
,
D
SP X1X 2 2
Cov(b 1 , b 2 ) = Y:X1 ,X 2 ,
D
onde:
D = SQ X1 SQ X2 - [SP X1X2]2.
As correspondentes estimativas tm essas mesmas expresses com a varincia do erro 2Y:X1 ,X2 ,
substituda pela sua estimativa s2Y:X1 ,X2 .
Exemplo 7.1 (continuao). Para o Exemplo 7.1, tem-se:
D = 5,522-(9)2 = 121-81 = 40,
donde:
22
1) =
Var(b 1, 0 = 0,55,
40
5, 5
2) =
Var(b 1, 0 = 0,1375,
40
9
1 , b 2 ) = 1, 0 = - 0,225.
Cov(b
40
7.2.8 Notao matricial
As equaes normais para a estimao dos coeficientes de regresso parciais b1 e b2

podem ser escritas em notao matricial, na forma:
C b = d ,
onde:
SQ X1 SP X1X 2 b 1 SP X1Y
C= , b = , d = .
SP X1X 2 SQ X 2 b 2 SP X 2Y
Ento, o vetor de estimadores dos coeficientes de regresso parciais a soluo do sistema de
equaes:
b = C 1 d ,
onde C-1 uma matriz simtrica:
c11 c 12
C 1 = , c12 = c21.
c 21 c 22
Os elementos desta matriz provm as estimativas das varincias e da covarincia das
estimativas dos coeficientes de regresso parciais:
( b 1 ) = c 11 s2Y:X1 ,X 2 ,
Var
( b ) = c s2
Var 2 22 ,
Y :X 1 , X 2
( b 1 , b 2 ) = c 12 sY2 :X1 ,X 2 .
Cov
A matriz C-1 tem a seguinte expresso:
1 SQ X 2 SP X1X 2
C 1 =
D SP X1X 2 SQ X1
,
onde:
D = SQ X1 SQ X2 - [SP X1X2]2.
7.2.9 Testes de Hipteses
7.2.9.1 Teste da hiptese de linearidade da relao entre a varivel resposta e as

variveis explanatrias
A primeira hiptese de interesse em anlise de regresso linear mltipla a hiptese

geral referente prpria existncia de relao linear entre a varivel resposta e as variveis
explanatrias. Essa hiptese pode ser expressa por:
H 0 : b i = 0, i = 1,2

H A : b i 0, para pelo menos um i ( i = 1 e / ou 2 )
Essa hiptese pode ser testada pela seguinte estatstica F provida pela anlise da variao:
QM Re gresso
F= .
QM Re sduo
Sob a hiptese H0 , esta estatstica tem distribuio F2;n-3.
Exemplo 7.1 (continuao). Para o Exemplo 7.1, tem-se F = 62,75/1 = 62,75
(Tabela 7.4). Esse valor superior ao correspondente ponto percentual da distribuio F para 2
e 3 graus de liberdade e P=0,01: F2;3;0,1 = 30,82. Logo, a hiptese de nulidade rejeitada,
concluindo-se que a relao linear entre ganho de peso dos ovinos e as suplementaes de sal
mineral e clcio foi significativa (P<0,01).
A rejeio da hiptese de nulidade simultnea dos coeficientes de regresso parciais
conduz aceitao de uma das trs seguintes alternativas a que corresponde o "melhor" modelo
de regresso linear indicado:
a) b10 e b20, E(Y) = b0 + b1X1 + b2X2;
b) b10 e b2=0, E(Y) = b '0 + b1' X1 ; ou
c) b1=0 e b20, E(Y) = b"0 + b "2 X 2 .
Em anlise de regresso linear com duas variveis explanatrias a deciso entre essas
alternativas pode ser tomada pelos testes de hipteses parciais referentes aos dois coeficientes
de regresso parciais b1 e b2.
7.2.9.2 Testes de hipteses parciais
A hiptese parcial referente ao coeficiente de regresso parcial bi a hiptese da

contribuio da varivel explanatria Xi para a explicao da variao resposta Y em uma
relao linear entre Y e (X1, X2) adicional contribuio da outra varivel explanatria, Xi'
(i'=2,1, respectivamente para i=1,2). As duas hipteses parciais referentes aos coeficientes de
regresso parciais b1 e b2 so especificadas por:
H 0i : b i = 0

H Ai : b i 0
respectivamente para i=1 e 2.
Essas duas hipteses podem ser testadas pelas seguintes duas correspondentes
estatsticas t:
b
t = i , s b = Var ( b i ) , i=1, 2,
s b i
i
que, sob as correspondentes hipteses de nulidade, tm distribuio t de Student com n-3 graus
de liberdade.
Exemplo 7.1 (continuao). Considerem-se os testes das duas hipteses parciais para
o exemplo.
H 01: b1 = 0
1)
H A1: b1 0
O valor da estatstica t para o teste desta hiptese :
3
t= = 4, 045 ,
0, 55
que deve ser comparado com os pontos percentuais da distribuio t para 3 graus de liberdade:
, , P = 0,05
3182
t 3; P =
5,841, P = 0,01
Como o valor calculado da estatstica t est compreendido entre os valores percentuais
superiores da distribuio t para P = 0,05 e 0,01, rejeita-se a hiptese de nulidade. Logo, a
contribuio de X1 para a explicao da variao de Y, adicional contribuio de X2 , foi
significativa (P<0,05).
H 02 : b 2 = 0
2)
H A2: b2 0
O valor da estatstica t para o teste desta hiptese parcial :
1
t= = 2, 697 , com 3 graus de liberdade,
0,1375
que inferior ao ponto percentual de t para P=0,05. A hiptese de nulidade aceita. Logo, a
contribuio da varivel X2 para a explicao de Y, adicional contribuio de X1, no foi
significativa.
Em resumo: A relao linear entre Y e (X1, X2) foi significativa, a contribuio
adicional da varivel X1 para a explicao da variao de Y foi significativa e a contribuio
adicional de X2 no foi significativa. Isso implica que a relao linear no pode prescindir da
varivel X1, mas pode prescindir da varivel X2 Assim, segundo os testes efetuados, o
"melhor" modelo para exprimir a relao linear entre Y e (X1, X2) :
E(Y) = b0 + b1X1,
ou seja, o modelo de regresso linear simples de Y (ganho de peso) em relao a X1
(suplementao de sal mineral). As estimativas dos parmetros b0 e b1 podem ser determinadas
pelo procedimento da Seo 6.4.4. Obtm-se:
y = 2,54 + 4, 64 X1 .
Em anlise de regresso linear com mais de duas variveis explanatrias, a escolha do
"melhor" modelo de relao linear no to simples. Existem diversos procedimentos para
esse propsito. Entretanto, no sero considerados neste texto.
7.2.9.3 Testes de hipteses sequenciais
O teste de hiptese parcial referente a um coeficiente de regresso parcial, b2 por

exemplo, testa a contribuio da varivel explanatria X2 para a explicao da variao da
varivel resposta Y adicional contribuio da varivel explanatria X1, ou seja, aps o
ajustamento da variao de Y pela eliminao da contribuio de X1.
Em algumas circunstncias, h alguma razo para que as variveis explanatrias sejam
consideradas no modelo em certa ordem. Esse o caso, por exemplo, em um modelo de
regresso polinomial.
Um modelo de regresso polinomial quadrtico para a relao entre uma varivel
resposta Y e uma varivel explanatria X, expresso pela equao:
E(Y) = b0 + b1X + b2X2,
pode ser tratado como um modelo de regresso linear mltipla:
E(Y) = b0 + b1X1 + b2X2,

onde X1=X e X2=X2.
Se no h razes tericas substantivas para a especificao do grau do polinmio a
ajustar, razovel, pelo princpio da parcimnia, que o "melhor" modelo seja o polinmio de
menor grau entre aqueles que explicam a variao significativa da varivel resposta Y. Dessa
forma, um procedimento razovel para a escolha do modelo polinomial que "melhor" exprime
a relao entre Y e (X1, X2) consiste na construo da equao pela incluso dos termos na
ordem das potncias de X. Com esse procedimento, a escolha procedida sequencialmente
entre os seguintes modelos, na ordem:
E(Y) = b0,
E(Y) = b0 + b1X1,
E(Y) = b0 + b1X1 + b2X2.
Nestas circunstncias, a considerao da incluso da varivel X1 no modelo feita
pelo julgamento da importncia de sua contribuio para a explicao da variao de Y
ignorando a contribuio de X2, e a considerao da incluso da varivel X2 , no modelo que j
inclui a varivel X1, feita pelo julgamento da importncia da contribuio desta varivel para
a explicao da variao de Y eliminando a contribuio de X1. As correspondentes hipteses
referentes importncia de cada termo nesse processo de escolha sequencial do modelo so
denominadas hipteses sequenciais.
Em anlise de regresso linear com duas variveis explanatrias, as hipteses
sequenciais para a construo de um modelo de regresso com as variveis explanatrias na
ordem X1, X2 so:
H '0 : b1 = 0
1) '
H A : b1 0
ignorando X 2
H '' : b = 0
2) ''0 2
H A : b 2 0
e lim inando X1
Estas hipteses sequenciais podem ser testadas pela estatstica F, pelo seguinte
procedimento sequencial:
1) A hiptese 1) refere-se linearidade da relao entre a varivel resposta Y e a
varivel explanatria X1, ou seja, regresso linear simples entre Y e X1. Essa hiptese pode
ser testada pela estatstica:
QM R(X1 )
F= ,
QM Resduo R(X1 )
onde R(X1) a regresso linear simples de Y em relao a X1 e Resduo R(X1) o resduo
dessa regresso, pela anlise da variao com o seguinte esquema:
Fonte de variao GL
R(X1) 1
Resduo R(X1) n-2
Total n-1
O procedimento para essa anlise de variao o descrito na Seo 6.4.5.3.

2) A hiptese 2) refere-se linearidade da relao entre a varivel resposta Y e a

varivel explanatria X2 aps o ajustamento de Y para X1. Essa hiptese pode ser testada pela
estatstica:
QM R(X 2 |X1 )
F= ,
QM Resduo R(X1 ,X 2 )
onde R(X2|X1) a regresso de Y em relao a X2 aps ajustamento para X1 e Resduo
R(X1,X2) o resduo da regresso mltipla de Y em relao a X1 e X2, pela seguinte anlise da
variao:
Fonte de variao GL
R(X1,X2) 2
R(X1) 1
R(X2|X1) 1
Resduo R(X1,X2) n-3
Total n-1
Observe-se que os numeradores das estatsticas F para esses testes de hipteses so

obtidos pela decomposio da variao (soma de quadrados) atribuvel regresso linear
mltipla, com dois graus de liberdade, em dois componentes, cada um com um grau de
liberdade, um correspondente contribuio apenas de X1 para a explicao da variao de Y e
o outro contribuio adicional de X2:
SQ R(X1,X2) = SQ R(X1) + SQ R(X2|X1).
Esse procedimento sequencial da anlise da variao pode ser resumido segundo a
Tabela 7.5.
Tabela 7.5. Anlise da variao para os testes sequenciais para a construo

do modelo de regresso linear E(Y) = b0 + b1X1 + b2X2 , com as
variveis explanatrias nesta ordem.
Fonte de variao GL
R(X1) 1
Resduo R(X1) n-2
R(X2|X1) 1
Resduo R(X1,X2) n-3
Total n-1
As somas de quadrados correspondentes a R(X1), Resduo R(X1), R(X1,X2) e Resduo

R(X1,X2) so obtidas por processos j conhecidos. A soma de quadrados correspondente
R(X2|X1) obtida por diferena:
SQ R(X2|X1) = SQ R(X1,X2) - SQ R(X1).
Exemplo 7.1 (continuao). Para o exemplo em considerao, obteve-se
anteriormente:
SQ R(X1,X2) = 125,5.
Por outro lado,

SQ R(X1) = b 1' SP X1Y,
onde: b 1' o coeficiente de regresso linear simples de Y em relao a X1, ou seja, b 1' = SP
X1Y/SQ X1; logo:
SQ R(X ) =
( SP X1Y )
2
.
1
SQ X1
25,52
== = 118,227 .
5,5
A SQ R(X2|X1) obtida por diferena:
SQ R(X2|X1) = 125,5 - 118,227 = 7,273.
A anlise da variao que completada na Tabela 7.6.
Tabela 7.6. Tabela da anlise da variao para os testes sequenciais para

determinao do modelo linear para a relao entre ganho de peso e
suplementao de sal mineral e de clcio, nesta ordem. Exemplo 7.1.

R(X1) 1 118,227 118,227 46,039 0,0025
Resduo R(X1) 4 10,273 2,568
R(X2|X1) 1 7,273 7,273 7,273 0,0740
Resduo R(X1,X2) 3 3,0 1,0
Total 5 128,5
As duas hipteses sequenciais 1) e 2) podem ser testadas pelas estatsticas F, razes de

quadrados mdios, nas duas faixas da Tabela 7.6. Como os valores tabelados de F (Tabela
A1) para 1 e 4 e 1 e 3 graus de liberdade so:
7,71; P = 0,05 10,13; P = 0,05

= 21,20; P = 0,01 = 34,12; P = 0,01
74,14; P = 0,001 167,0; P = 0,001
F1;4;P e F1;3; P

rejeita-se a hiptese sequencial 1) e se aceita a 2).
Assim, o modelo linear para exprimir a relao entre Y e X1 e X2 consideradas nesta
ordem pode omitir a varivel explanatria X2. Ento o melhor modelo linear para exprimir
essa relao da forma:
E (Y) = b*0 + b1*X1 .
Obtm-se:
* SP X1Y 25, 5
b1 = = = 4, 636 ;
SQ X1 5, 5
b 0* = y - b 1 x1
= 9,5 - 4,6361,5 = 2,546;
donde:
Y = 2,546 + 4, 636 X1 .
Observe-se que o teste sequencial referente ao coeficiente de regresso parcial
correspondente ltima varivel explanatria a entrar em um modelo linear idntico ao teste
parcial para esse mesmo coeficiente de regresso parcial. Ou seja, o teste sequencial referente
b2 equivalente ao teste parcial referente a este coeficiente de regresso parcial do modelo
estatstico com equao E(Y) = b0 + b1X1 + b2X2; o teste sequencial referente a b1 equivalente
ao teste parcial referente a b1 do modelo estatstico com equao E(Y) = b0 + b2 X2 + b1X1. De
fato, no exemplo, foram obtidos os dois seguintes valores para as estatsticas t e F,
respectivamente para os testes parcial e sequencial para b2: t=2,697, com 3 graus de liberdade,
e F=7,273, com 1 e 3 graus de liberdade; donde se pode verificar que F = t2.
7.3 Regresso Curvilnea Polinomial

A expresso mais simples para a relao de uma varivel resposta e uma varivel
explanatria a equao da linha reta. Entretanto, em biologia e, de modo geral, nas cincias
aplicadas, as relaes so mais comumente curvilneas, ou no lineares. Em algumas dessas
aplicaes, a relao pode ser aproximadamente linear quando considerada em uma amplitude
limitada do intervalo da varivel explanatria. Assim, por exemplo, a relao entre rendimento
e maturidade da ervilha aproximadamente linear no intervalo de maturidade em que o gro
mantm as caractersticas aceitveis para propsitos de industrializao. Entretanto, se a
colheita retardada, na medida em que a maturidade aumenta, a taxa de incremento do peso do
gro diminui, de modo que a relao torna-se no linear. Semelhantemente, a taxa de aumento
do rendimento em estgios de gro muito imaturo menor do que em estgios em que o gro
menos imaturo. Nessas circunstncias, a descrio da relao em um intervalo de maturidade
amplo requer uma funo no linear.
Muito frequentemente, a escolha de uma forma analtica para a expresso de uma
relao no linear no uma questo simples. Praticamente, qualquer relao pode ser expressa
por uma funo matemtica com grau de aproximao desejvel. Como geralmente as relaes
entre uma varivel resposta e uma varivel explanatria que exprimem caractersticas de
sistemas na natureza no so exatas, frequentemente, muitas formas analticas alternativas
provm aproximaes razoveis para relaes de interesse. O problema do pesquisador, em
geral, a especificao de uma forma analtica que descreva apropriadamente a relao para os
propsitos da pesquisa, com a mais elevada eficincia. Os aspectos mais relevantes so a
simplicidade, a representatividade e a parcimnia; ou seja, a equao deve ter forma simples e
compreender parmetros no nmero mnimo possvel e que exprimam caractersticas relevantes
referentes relao que objeto da pesquisa. Assim, desejvel que, na escolha da forma da
relao, seja utilizado todo o conhecimento terico disponvel referente ao fenmeno que est
sendo representado. Adicionalmente, tambm devem ser levadas em conta as propriedades
matemticas da forma funcional e as propriedades dos procedimentos de inferncia estatstica
que devam ser utilizados.
A famlia de curvas polinomiais a mais amplamente utilizada em muitas aplicaes,
por duas razes: 1) curvas polinomiais so facilmente ajustadas pelos mesmos procedimentos
da anlise de regresso linear mltipla; 2) em muitas situaes, curvas polinomiais constituem
aproximaes razoveis para relaes no lineares mais precisamente expressas por formas
analticas mais complexas.
De modo geral, uma funo polinomial de grau p postulada para exprimir a relao
entre uma varivel resposta Y e um conjunto de variveis explanatrias X1, X2, ..., Xp tem a
seguinte expresso:
E(Y) = b0 + b1X + b2X2 +...+bpXp.

O problema, ento, a escolha sequencial de um modelo entre os seguintes:
E(Y) = b0,
E(Y) = b0 + b1X,E(Y) = b0+ b1X + b2X2,
E(Y) = b0 + b1X + b2X2 +...+ bpXp.
Esse procedimento de escolha pode ser determinado pelo teste das seguintes hipteses
sequenciais:
H : b =0
(1) 01 1
H A1 : b1 0
ignorando X 2 , X3 ,..., X p
H : b =0
(2) 02 2
H A2 : b 2 0
eliminando X e ignorando X3 ,..., X p
...
0p b p =0
(p)
H :
H Ap : b p 0
eliminando X, X 2 ,..., X p-1
Esse problema pode ser solucionado pela definio de p variveis explanatrias

correspondentes s p potncias de X:
X1 = X, X2 = X2, ..., Xp = Xp,
e a transformao do modelo polinomial:
E(Y) = b0 + b1X + b2X2 +...+ bpXp
em um correspondente modelo linear com p variveis explanatrias:
E(Y) = b0 + b1X1 + b2X2 +...+ bpXp.
Ento, a escolha do melhor modelo de regresso polinomial reduz-se determinao do
melhor modelo linear pelo processo de testes de hipteses sequenciais em anlise de
regresso linear mltipla.
A aplicao da anlise de regresso linear mltipla para o ajustamento de curvas
polinomiais apresentada, a seguir, por meio de um exemplo.
Exemplo 7.2. Considerem-se os dados de um estudo da relao entre colesterol total e
idade de homens de classe mdia alta de peso normal e idade compreendida entre 50 e 60 anos.
Cem homens de cada uma das 10 classes de idade correspondentes a 50, 51, 52, ..., 59 anos
foram examinados. As idades, em anos, subtradas de 50 (X), e as correspondentes mdias de
colesterol total, em mg/100ml, subtradas de 200 (Y), referentes a cada uma dessas 10 classes
so apresentadas na Tabela 7.7.
Tabela 7.7. Idades (em anos - 50) e dosagem mdia de colesterol no sangue (em
mg/100ml - 200) de 100 indivduos de cada uma das classes de
idade entre 50 e 59 anos, Exemplo 7.2.
Observao 1 2 3 4 5 6 7 8 9 10
X: 0 1 2 3 4 5 6 7 8 9
Y: 22,8 24,5 26,0 27,3 28,5 29,3 30,0 30,4 31,4 31,8
Em geral, o estabelecimento de uma expresso analtica para a relao entre variveis

deve ser baseado fundamentalmente no conhecimento substantivo do fenmeno em questo.
Complementarmente, deve ser utilizada a informao provida pelos prprios dados da amostra
disponvel.
No presente exemplo, a experincia indica a expectativa de um crescimento do nvel
de colesterol no sangue com o aumento da idade. A principal questo refere-se taxa desse
crescimento no intervalo particular de idade em estudo. Nessas circunstncias, a representao
aproximada da relao em estudo por uma curva polinomial deve ser provida por uma funo
polinomial de grau no mximo igual a dois, ou seja, por uma funo polinomial linear ou
quadrtica.
Uma inspeo inicial dos dados , em geral, til para verificao e indicao da forma
da relao de interesse. Essa inspeo pode ser facilitada por uma representao grfica das
observaes, Figura 7.3.
Figura 7.3. Diagrama dos valores mdios de colesterol (em mg/100ml - 200)
observados em 100 indivduos de cada uma das 10 classes de
idades compreendidas entre 50 e 59 anos (idade em anos - 50).
A indicao do diagrama da Figura 7.3 corrobora, claramente, a expectativa referente

relao em estudo. A deciso sobre o ajustamento de uma curva polinomial linear ou
quadrtica procedida com o auxlio de testes de hiptese sequenciais, como segue.
1) Inicia-se com o ajustamento de uma equao de regresso polinomial linear:
E(Y) = b0 + b1X1 , X1 = X.
Os clculos so feitos com o auxlio da Tabela 7.8.
Tabela 7.8. Tabela auxiliar para a anlise de regresso linear

simples, Exemplo 7.2.
Observao yj x1j y j e j
1 22,8 0 23,84 -1,04
2 24,5 1 24,81 -0,31
3 26,0 2 25,78 0,22
4 27,3 3 26,75 0,55
5 28,5 4 27,72 0,78
6 29,3 5 28,69 0,61
7 30,0 6 29,66 0,34
8 30,4 7 30,63 -0,23
9 31,4 8 31,60 -0,20
10 31,8 9 32,57 -0,77
Soma 282,0 45
Mdia 28,2 4,5
x12j = 285 ; x1 j y j = 1349

. ,1 ; y 2j = 8.033,48 .
Ento,
1 1
SQ X = 285 - 452 = 82,5 ; SP XY = 1.349,1 - 45 282 = 80, 0 ;
10 10
logo,
80, 0
b1 = = 0,97 e
82, 5
b 0 = 28, 2 0, 97 4, 5 = 23,84 ;
donde:
Y = 23,84 + 0,97 X .
Os valores ajustados da varivel resposta correspondentes aos valores observados a
varivel explanatria X e os resduos esto nas duas ltimas colunas da Tabela 7.8.
O teste de significncia da relao linear simples efetuado na Tabela 7.9.
Tabela 7.9. Anlise da variao e teste de significncia da relao linear simples

entre dosagem de colesterol no sangue e idade, Exemplo 7.2.

R(X) 1 77,576 77,576 177,11 < 0,0001
Resduo R(X) 8 3,504 0,438
Total 9 81,08
A relao linear entre dosagem de colesterol no sangue e idade revela-se altamente

significativa, evidenciando uma tendncia do aumento do colesterol com a idade de indivduos
entre 50 e 59 anos. A representao grfica da relao ajustada apresentada na Figura 7.4,
juntamente com o diagrama dos valores mdios de colesterol observados. O correspondente
grfico dos resduos est na Figura 7.5.
Figura 7.4. Representao grfica da linha reta ajustada para representar

a relao entre colesterol no sangue e idade de indivduos,
Exemplo 7.2.
Figura 7.5. Grfico dos resduos do ajustamento de regresso linear

para exprimir a relao entre colesterol no sangue e
idade, Exemplo 7.2.
O grfico dos resduos da Figura 7.5 evidencia que os resduos no se distribuem

aleatoriamente em torno da reta de ordenada zero, como deve ocorrer quando uma relao
ajustada leva em conta uma poro substancial da variao sistemtica da varivel resposta. Os
resduos situam-se abaixo dessa linha para valores baixos e para valores elevados da varivel
explanatria X e acima dela para valores intermedirios desta varivel. Essa configurao da
distribuio dos resduos indica uma tendncia sistemtica quadrtica.
Essa indicao do grfico dos resduos tambm evidenciada pelo grfico da Figura
7.4 e os dados da Tabela 7.8, que mostram que os valores mdios de colesterol observados nos
indivduos com idades nos pontos intermedirios do intervalo de idades situam-se acima da
reta ajustada, enquanto que os valores mdios nos dois extremos desse intervalo situam-se
abaixo desta reta. Essa circunstncia indicativa de que uma variao sistemtica da resposta
no levada em conta pela reta ajustada, ou seja, que a taxa de variao do colesterol com a
idade pode no ser constante.
Portanto, o ajuste de uma curva polinomial quadrtica pode ser mais apropriado para a
expresso da relao de interesse.
2) Ajustamento de uma equao de regresso polinomial quadrtica:
E(Y) = b0 + b1X1 + b2X2 , X1 = X, X2 = X2.
Os clculos podem ser efetuados com o auxlio da Tabela 7.10.
Tabela 7.10. Tabela auxiliar para o ajuste de regresso polinomial

quadrtica, Exemplo 7.2.
Observao yj x1j x 2 j = x12j y j e j
1 22,8 0 0 22,94 -0,14

2 24,5 1 1 24,50 0,00
3 26,0 2 4 25,92 0,08
4 27,3 3 9 27,20 0,10
5 28,5 4 16 28,32 0,18
6 29,3 5 25 29,29 0,01
7 30,0 6 36 30,11 -0,11
8 30,4 7 49 30,78 -0,38
9 31,4 8 64 31,29 0,11
10 31,8 9 81 31,66 0,14
Soma 282,0 45 285
Mdia 28,2 4,5 28,5
x12j = 285 ; x 22 j = 15.333 ; x1 j x 2 j = 2.025 ;
. ,1 ; x 2 j y j = 8.717,7 ; y 2j = 8.033,48 .
x1 j y j = 1349
Ento, a equao da curva polinomial quadrtica ajustada :

= 22,943 + 1,6396 X 0,07443 X 2 .
Y
Os testes de hipteses sequenciais para o ajustamento dessa equao de regresso
polinomial so resumidos na Tabela 7.11. Os valores mdios de colesterol estimados para as
classes de idade em estudo e os resduos desse ajustamento so apresentados na Tabela 7.10. O
grfico da equao de regresso quadrtica ajustada mostrado na Figura 7.6, juntamente com
o diagrama dos valores mdios de colesterol observados.
Tabela 7.11. Anlise da variao para os testes sequenciais para determinao

do modelo linear para a relao entre dosagem de colesterol no
sangue e idade, Exemplo 7.2.

R(X) 1 77,576 77,576 177,11 < 0,0001
Resduo R(X) 8 3,504 0,438
2
R(X, X ) 2 80,503 40,252 488,49 < 0,0001
2
R(X | X) 1 2,927 2,927 35,52 0,0006
2
Resduo R(X, X ) 7 0,577 0,0824
Total 9 81,08
Figura 7.6. Grfica da curva polinomial quadrtica ajustada para representar a

relao entre colesterol no sangue e idade de indivduos, Exemplo 7.2.
Observa-se que os resduos do ajuste da curva polinomial quadrtica (Tabela 7.10)

so consideravelmente inferiores queles do ajustamento da linha reta (Tabela 7.8), com
exceo do resduo da observao 8. Ademais, os resduos do ajuste da curva quadrtica no
mostram qualquer tendncia sistemtica, ou seja, a disperso desses resduos em torno de zero
tem a aparncia aleatria.
7.4 Exerccios
1. A tabela que segue apresenta os dados de peso (Y), em kg, altura (X1), em cm, e idade
(X2), em meses, de cordeiros de um rebanho:
Peso (Y): 64 71 53 67 55 58 77 57 56 51 76 68
Altura (X1): 57 59 49 62 51 50 55 48 52 42 61 57
Idade (X2): 8 10 6 11 8 7 10 9 10 6 12 9
a) Ajuste o plano de regresso E(Y) = b0 +b1X1 +b2X2.

b) Efetue a anlise da variao e teste a hiptese de linearidade da relao entre Y e

(X1,X2), ou seja:
H 0 : b i = 0, i = 1,2

H A : b i 0, i = 1 e / ou 2
c) Determine as estimativas das varincias das estimativas dos coeficientes de regresso
parciais b1 e b2 e teste as duas hipteses parciais:
H 0 : b i = 0

H A : b i 0
para i=1 e 2, pela estatstica t.
d) Com base em resultados obtidos nos itens anteriores, indique: i) o acrscimo mdio de
peso por cm de aumento da altura, para cordeiros de uma mesma idade; ii) o acrscimo
mdio de peso por ms, para cordeiros de uma mesma altura.
e) Calcule o coeficiente de determinao R2 e o interprete.
2. Os dados que seguem foram calculados a partir de uma amostra de solo de dezoito pontos
de um municpio, referentes a fsforo inorgnico (X1), fsforo orgnico (X2) e fsforo
disponvel na planta (Y), em ppm:
x1 = 11,94; x 2 = 42,11; y = 81,28;
SQ X1 = 1.752,96; SQ X2 = 3.155,78; SP X1X2 = 1.085,61;
SP X1Y = 3.231,48; SP X2Y = 2.216,44; SQ Y = 12.389,61.
a) Estabelea as equaes normais para a determinao da equao de regresso de Y em
relao a X1 e X2.
b) Solucione o sistema de equaes normais e determine as estimativas dos parmetros b0,
b1 e b2 .
c) Ajuste as equaes de regresso linear simples de Y em relao a X1 e em relao a X2
(Verifique que as estimativas dos coeficientes de regresso linear simples em relao a
X1 e a X2 encontradas aqui diferem das correspondentes estimativas dos parmetros b1 e
b2 encontradas no item anterior.)
d) Complete as seguintes tabelas de anlises de variao:
R(X1) 1
R(X2|X1) 1
Resduo 15
Total 17
R(X2) 1
R(X1|X2) 1
Resduo 15
Total 17
onde:
R(X1): Regresso de Y em relao a X1 ignorando X2 (isto , regresso simples de

Y em relao a X1);
R(X2|X1): Regresso de Y em relao a X2 eliminando (aps ajustamento para) X1.
e) Especifique (ou explique) que hipteses so testadas pela estatstica F em cada uma das
tabelas de anlise da variao do item anterior. Interprete os resultados dos testes de
hipteses obtidos naquele item.
3. Os resultados que seguem foram obtidos de medidas tomadas em cada uma de 10 parcelas
de 100 m2 com uma cultivar de arroz, correspondentes a produo de gros em kg (Y),
altura da planta em cm (X1) e nmero de perfilhos por touceira (X2):
y = 66; x1 = 96; x 2 = 17;
SQ Y = 321; SQ X1 = 1.754; SQ X2 = 32;
SP X1Y = -652; SP X2Y = 72; SP X1X2= -157.
a) Estime uma equao de regresso linear mltipla que relacione a produo de gros, Y,
com a altura da planta, X1, e o nmero de perfilhos, X2.
b) Na relao linear entre a varivel Y e as variveis X1 e X2, obtida na questo anterior,
explique o significado da estimativa do coeficiente de regresso parcial correspondente
a X1.
c) Efetue a anlise da variao e o teste F para a hiptese geral de linearidade da relao
entre Y e (X1,X2):
H 0 : b i = 0, i = 1,2

H A : b i 0, i = 1 e / ou 2
d) Calcule o coeficiente de determinao e explique o seu significado.
e) Para a equao de regresso considerada no item a, teste as hipteses parciais:
H 01 : b 1 = 0 H 02 : b 2 = 0

H A1: b1 0 H A2 : b2 0
e
f) Tendo em conta os resultados da questo anterior, qual das variveis explanatrias, X1 e

X2, voc escolheria, se tivesse que expressar o peso da produo de gros por uma
equao de regresso linear simples. Seria, nesse caso, razovel a utilizao de uma
equao com uma nica varivel explanatria?
4. Os dados que seguem procedem de um estudo da relao entre o nmero de mariposas
presas em dias sucessivos em uma armadilha noturna e duas variveis que exprimem
caractersticas do clima. As variveis em considerao so: Y = log(nmero de mariposas +
1), X1 = soma de trs temperaturas dirias registradas no dia anterior, em graus centgrados,
e X2 = velocidade mdia do vento.
SQ X1 = 14,03; SQ X2 = 2,07; SP X1X2 = 1,99;
SP X1Y = 2,07; SP X2Y = -0,64; SQ Y = 3,552;
onde SQ Y tem 72 graus de liberdade.
a) Determine as estimativas dos coeficientes de regresso parciais do modelo E(Y) =
b0+b1X1+b2X2.
b) Os sinais de b e b lhe parecem razoveis? Justifique a resposta.
1 2
c) Explique o significado da estimativa do coeficiente de regresso parcial b1 na presente

situao.
d) Efetue a anlise da variao e teste a hiptese H0: b1=b2=0; HA: bi0, i=1 e/ou 2.
e) Interprete o resultado do teste de hiptese especificado no item anterior.
f) Efetua os testes das hipteses sequenciais seguintes:

H '0 : b 1 = 0
'
H A : b1 0
ignorando X 2
e
H 0'' : b 2 = 0
''
H A : b2 0
aps ajustamento para X 1
por meio da decomposio da soma de quadrados da regresso obtida no item d), SQ

R(X1,X2), nas somas de quadrados sequenciais: SQ R(X1) e SQ R(X2|X1).
g) Interprete os resultados dos testes de hipteses especificados no item anterior.
h) Calcule o coeficiente de determinao correspondente ao ajustamento do modelo de
regresso especificado no item a). Explique o seu significado.
i) Determine o coeficiente de correlao mltipla, R, de Y em relao a X1 e X2. Qual o
seu significado? (R estima a correlao simples entre quais variveis aleatrias?)
5. Os dados seguintes referem-se a um estudo de tamanho e forma de parcelas para
experimentos de milho irrigado, que se baseia no modelo de regresso E(Y) =
b0+b1X1+b2X2+b3X3, onde Y = coeficiente de variao, X1 = comprimento da parcela, X2 =
largura da parcela e X3 = interao comprimento x largura da parcela:
b 0 = 40,430218,
b 1 = -1,441575; SP X1Y= -453,48; Var ( b 1 ) = 0,1984,
b 2 = -0,832785; SP X2Y= -213,62; Var ( b 2 ) = 0,00644,
b = 0,046871; SP X3Y= -3.845,02; Var
3
( b ) = 0,00144,
3
n = 25; SQ Y = 693,57.
a) Efetue os testes de hipteses parciais, isto , os testes de hipteses de nulidade
separados de cada um dos coeficientes de regresso parciais.
b) Efetue o teste de hiptese sequencial referente ao coeficiente de regresso b3 do modelo
em que se baseia o estudo.
c) Os testes efetuados nos dois itens anteriores so idnticos no que diz respeito ao
parmetro b3. Entretanto, os testes de hipteses parciais e sequenciais no so idnticos
para os outros parmetros do modelo. Por qu? (Justifique a resposta.)
d) Com base nos resultados dos testes efetuados, comente a respeito da importncia da
considerao da interao largura x comprimento da parcela no modelo.
8 Pressuposies do Modelo Estatstico: Violaes,
Implicaes, Verificao e Remdios
Contedo
8.1 Introduo ...................................................................................................................269

8.2 Pressuposies do modelo estatstico .........................................................................270
8.3 Violaes das pressuposies, implicaes e remdios .............................................272
8.3.1 Aditividade dos efeitos ...........................................................................................272
8.3.2 Homogeneidade de varincia das variveis aleatrias residuais ............................274
8.3.3 Distribuio normal das variveis aleatrias residuais ...........................................276
8.3.4 Ausncia de correlao das variveis aleatrias residuais ......................................277
8.4 Verificao da adequao do modelo estatstico pela inspeo dos resduos ............278
8.4.1 Normalidade da distribuio dos erros ...................................................................279
8.4.2 Homogeneidade de varincia..................................................................................282
8.4.3 Independncia da distribuio dos erros .................................................................284
8.5 Teste de homogeneidade de varincia ........................................................................284
8.6 Transformao de dados .............................................................................................289
8.7 Transformao potncia para estabilizao da varincia............................................294
8.8 Exerccios ...................................................................................................................298
8.9 Bibliografia .................................................................................................................299
8.1 Introduo
Os procedimentos de inferncia derivados da anlise de variao fundamentam-se no

modelo estatstico, ou seja, na equao algbrica postulada para a relao entre a varivel
resposta e as variveis explanatrias, e nas correspondentes pressuposies. Por sua vez, a
adequabilidade do modelo estatstico depende de sua representatividade da estrutura do
experimento. Ela fundamental para a validade das inferncias de interesse que sero
derivadas do experimento, ou seja:
1) Estimao de diferenas de tratamentos. Por exemplo, a diferena de rendimento
mdio de duas variedades, em um experimento de melhoramento gentico de plantas, e a
toxidade relativa de uma nova droga comparativamente a um padro, em um experimento de
dosagem de mortalidade. desejvel que tais estimativas sejam no tendenciosas e eficientes,

o que significa que a diferena entre a estimativa e o correspondente valor populacional tenha
uma varincia to pequena quanto possvel.
2) Estimao da preciso das estimativas de diferenas de tratamentos, ou seja,
estimao de erros padres, intervalos de confiana, etc. desejvel que as estimativas de erros
padres sejam razoavelmente livres de tendenciosidade.
3) Testes de hipteses. Os mais comuns so o teste da hiptese de igualdade das
mdias de tratamentos (nulidade dos efeitos de tratamentos) e o teste da hiptese de que uma
diferena de tratamentos nula ou corresponde a algum valor estabelecido. desejvel que tais
testes sejam vlidos, no sentido de que o nvel de significncia real coincida com o nvel de
significncia nominal; em outras palavras, que a probabilidade estipulada de obter um valor da
estatstica de teste igual ou mais extremo do que o observado coincida com a probabilidade real
de tal evento no experimento. Ademais, tais testes devem ser poderosos ou sensveis, isto ,
devem detectar a presena de diferenas reais importantes de tratamentos to frequentemente
quanto possvel.
As pressuposies do modelo estatstico visam assegurar essas propriedades
desejveis das inferncias derivadas da anlise de variao. Entretanto, distores decorrem
quando so violadas as pressuposies. A falha de qualquer dessas pressuposies afeta os
nveis de significncias e a sensibilidade do teste F e de outros testes derivados da anlise da
variao. Embora esses testes sejam tolerantes a graus moderados de desvio das pressuposies
qualquer desvio aparentemente importante deve ser verificado e corrigido.
8.2 Pressuposies do modelo estatstico
A primeira pressuposio refere-se adequabilidade da equao do modelo para

exprimir a estrutura do experimento, ou seja, a relao entre a varivel resposta e as variveis
explanatrias consideradas no experimento. Qualquer falha na formulao da equao do
modelo estatstico denominada erro de especificao.
Erros de especificao originam-se, principalmente, de desconhecimento terico e de
falhas referentes rea de pesquisa e metodologia de pesquisa empregada. Os mais comuns
so: forma algbrica inadequada da equao do modelo e desconsiderao de fontes de
variao sistemticas relevantes: fatores experimentais, interaes desses fatores e fatores de
unidade. Saliente-se que falhas graves na estrutura do experimento, decorrentes de inadequao
do plano adotado ou de distores do plano durante a execuo do experimento, geralmente
no podem ser levadas em conta e corrigidas na formulao do modelo estatstico. Esse o
caso, por exemplo, da presena de caractersticas estranhas perturbadoras, ou seja,
caractersticas estranhas relevantes no controladas cujos efeitos ficam confundidos
tendenciosamente com efeitos de condies experimentais. Suas implicaes so: inflao da
estimativa da varincia casual, quando agem como caractersticas casualizadas, e
tendenciosidade das estimativas da varincia casual e dos efeitos de condies experimentais.
Essa questo no ser considerada aqui.
Outra fonte importante de erro constituda por falhas no registro e na transcrio de
dados. Algumas vezes, falhas dessa origem resultam em observaes que se destacam no
conjunto de dados do experimento. De modo geral, observaes que se salientam em um
8. Pressuposies do Modelo Estatstico: Violaes, Implicaes, Verificao e Remdios 271
conjunto de dados, usualmente designadas observaes discrepantes, ou observaes

aberrantes, devem ser inspecionadas para a deteco de incorrees nos dados.
As pressuposies do modelo estatstico referentes aos termos de sua equao so
listadas a seguir.
1) Aditividade dos efeitos das fontes de variao da varivel resposta. Os efeitos de
duas fontes de variao de uma varivel resposta so aditivos se o efeito de uma dessas fontes
permanece constante entre os nveis da outra fonte. Por exemplo, no caso do delineamento
blocos casualizados com um nico fator, essa pressuposio do modelo estatstico postula que
a observao na unidade experimental correspondente j-sima repetio do i-simo
tratamento adequadamente descrita pela equao:
yij = m + ti + bj + eij , i = 1,2,...,t, j = 1,2,...,b,
onde m a mdia geral esperada do experimento, ti o efeito diferencial do i-simo tratamento,
bj o efeito diferencial do j-simo bloco e eij o efeito do erro experimental. No caso do
modelo fixo, os efeitos de tratamentos e de blocos so pressupostos fixos; no modelo aleatrio,
ambos so aleatrio; e no modelo misto, um dos efeitos fixo e o outro aleatrio.
As demais pressuposies referem-se aos termos do erro, variveis aleatrias com
distribuies de probabilidade caracterizadas a seguir.
2) Ausncia de correlao dos erros experimentais. Essa pressuposio, em
combinao com a pressuposio de distribuio normal dos erros, pressuposio 4, implica
que os erros so mutuamente independentes, ou seja, que a probabilidade de que o erro de
qualquer unidade experimental tenha um valor particular no depende dos valores dos erros das
outras unidades.
3) Varincia comum dos erros experimentais. Essa pressuposio de
homogeneidade de varincia, , tambm, denominada homocedasticidade. 1
4) Distribuio normal dos erros experimentais.
Nas situaes em que essas pressuposies so vlidas, a anlise da variao uma
tcnica que prov procedimentos exatos para inferncias (estimao por ponto e por intervalo e
testes de hipteses) referentes a efeitos de tratamentos. Na prtica, entretanto, essas
pressuposies se verificam apenas aproximadamente. As implicaes desses desvios
dependem da pressuposio. Em geral, pequenos desvios no tm implicaes srias.
Entretanto, temeroso o emprego generalizado da anlise da variao e dos procedimentos de
inferncia nela baseados sem a verificao da validade de suas pressuposies.
As mais comuns violaes das pressuposies do modelo estatstico e suas
implicaes so discutidas e ilustradas a seguir. Mtodos para a verificao das pressuposies
1
Na forma em que est formulada, essa pressuposio uma simplificao que se aplica
situao de delineamentos simples. Mais geralmente, o modelo estatstico pode conter mais de
um componente aleatrio atribuvel ao erro experimental. Por exemplo, nos delineamentos com
parcelas divididas, h um componente atribuvel ao erro experimental entre as parcelas
principais e outro ao erro entre subparcelas. Nessa situao, a pressuposio de homogeneidade
de varincia aplica-se a cada um desses dois componentes.
e os procedimentos mais frequentemente teis como remdio quando as pressuposies so

violadas sero apresentados e ilustrados ulteriormente.
8.3 Violaes das pressuposies, implicaes e remdios
8.3.1 Aditividade dos efeitos
Em um delineamento unifatorial com delineamento completamente casualizado, a

pressuposio de aditividade dos efeitos dos tratamentos e dos erros pode ser apropriada se
nenhuma caracterstica estranha exerce influncia relevante sobre a varivel resposta.
Entretanto, se ignorada uma caracterstica estranha que possa interagir substancialmente
(sinergicamente ou antagonicamente) com os tratamentos, os efeitos combinados de
tratamentos e erros podem ser multiplicativos em vez de aditivos.
O procedimento mais adequado nessas circunstncias tentar a deteco de
caractersticas estranhas relevantes em experimentos anteriores, de modo que em novos
experimentos de maior importncia elas possam ser: a) controladas pelo delineamento (se
improvvel que interajam substancialmente com as condies experimentais), b) consideradas
como covariveis, ou c) consideradas como fatores experimentais suplementares, se so
provveis suas interaes com os fatores experimentais mais importantes.
Uma ilustrao hipottica da aditividade dos efeitos de tratamentos e blocos em um
delineamento em blocos casualizados apresentada na Tabela 8.1. Observe-se que a diferena
entre os efeitos dos dois tratamentos igual a 20 para os dois blocos, e a diferena entre os
efeitos dos dois blocos igual a 60 para os dois tratamentos. Ou seja, a diferena entre os
efeitos dos tratamentos constante para os dois blocos e a diferena entre os efeitos dos blocos
constante para os dois tratamentos. Isso significa a ausncia de interao entre tratamentos e
blocos.
Tabela 8.1. Dados hipotticos de um experimento com delineamento blocos

casualizados com efeitos aditivos de tratamentos e blocos.
Bloco Efeito de
Tratamento
1 2 bloco
A 120 180 60
B 100 160 60
Efeito de
20 20
Tratamento
Essa pressuposio de aditividade violada quando os efeitos de tratamentos e blocos

so multiplicativos. Um exemplo hipottico dessa situao mostrado na Tabela 8.2. Observe-
se que os dados nessa tabela revelam efeitos de tratamentos no uniformes para os dois blocos
e efeitos de blocos no uniformes para os dois tratamentos no que diz respeito aos valores
numricos; entretanto, esses efeitos de tratamentos e de blocos so constantes em termos de
percentagens. Por exemplo, embora o efeito do bloco 1 seja 60 unidades maior do que o do
bloco 2 para o tratamento A e 50 unidades para o tratamento B, essa diferena de efeitos igual
a 50% para os dois tratamentos A e B.
Tabela 8.2. Exemplo hipottico de dados de um experimento em

blocos casualizados que revelam efeitos multiplicativos
de tratamento e bloco.
Bloco Efeito de
Tratamento
1 2 bloco
A 120 180 60 (50%)
B 100 150 50 (50%)
Efeito de 20 30
tratamento (17%) (17%)
A presena de efeitos multiplicativos ocorre comumente em pesquisas de controle de

insetos e de doenas, quando os efeitos dos insetos ou dos patgenos so mltiplos dos
nmeros desses insetos ou organismos. Por exemplo, esperado que o nmero de ovos
depositados por 10 insetos seja o dobro do depositado por cinco insetos.
Para essa circunstncia de modelo multiplicativo, uma transformao da varivel
resposta para uma escala logartmica converter o modelo para a forma aditiva. Por exemplo, a
transformao dos dados da Tabela 8.2 produz os resultados da Tabela 8.3. Observa-se que,
agora, as diferenas entre tratamentos so iguais (constantes) para os blocos; semelhantemente,
as diferenas entre os blocos so constantes entre os dois tratamentos.
Tabela 8.3. A transformao logartmica dos dados Tabela 8.2

transforma um modelo de efeitos multiplicativos de
tratamentos e blocos em um modelo aditivo.
Bloco Efeito de
Tratamento
1 2 bloco
A 2,079 2,255 0,176
B 2,000 2,176 0,176
Efeito de
0,079 0,079
tratamento
A tcnica de transformao de dados para lograr a aditividade dos efeitos ,

essencialmente, a mesma com o propsito de homogeneizao da varincia do erro
experimental. Ela ser considerada na Seo 8.6.
Uma pressuposio implcita no modelo estatstico do delineamento blocos
casualizados a aditividade dos efeitos de tratamentos e blocos. A interao tratamento x
bloco, se existe, fica completamente confundida com a estimativa do erro experimental para
inferncias referentes a tratamentos. Assim, se essa interao relevante, a estimativa da
varincia atribuvel ao erro experimental resulta inflacionada. O delineamento blocos
casualizados inadequado nesta circunstncia. Uma alternativa , por exemplo, a incluso de
mais de uma repetio de cada tratamento por bloco, o que permite a estimao separada da
interao e do erro. Semelhantes consideraes valem para o delineamento quadrado latino,

que pressupe a ausncia das interaes de tratamentos, filas e colunas.
8.3.2 Homogeneidade de varincia das variveis aleatrias residuais
Esta pressuposio usualmente a mais crtica. Em geral, a validade dessa

pressuposio muito menos provvel do que a da pressuposio anterior.
Exemplo 8.1. Em um experimento para pesquisa da eficcia de anti-helmnticos no
controle de vermes intestinais de ovinos com diversos tratamentos anti-helmnticos e um
tratamento testemunha sem anti-helmntico, pode ocorrer que as quantidades de vermes nos
animais com o testemunha sejam consideravelmente superiores s quantidades de vermes nos
animais com anti-helmnticos. De fato, nessas circunstncias, a infestao de vermes nos
animais com anti-helmnticos eficazes ser muito pequena e, portanto, ter pouca margem para
variabilidade. (Note-se que a varincia ser nula para tratamentos que controlem
completamente a infestao de vermes.) Contrariamente, nos animais com o tratamento
controle ou com anti-helmnticos ineficazes as contagens de vermes sero elevadas. Como
consequncia, pode-se esperar que os nmeros de vermes nesses animais sejam altamente
variveis, j que a varincia usualmente proporcional ao grau de infestao.
Semelhantemente, a produo de carne dos animais com anti-helmnticos mais eficazes tender
a ser consideravelmente maior do que a dos animais com anti-helmnticos menos eficazes ou
com o testemunha. Consequentemente, a variabilidade da produo dos animais com anti-
helmnticos eficazes tender a ser mais elevada do que a dos animais com anti-helmnticos
menos eficazes ou com o tratamento testemunha. Naturalmente, no se pode esperar que
variveis respostas dessas origens tenham distribuio normal ou satisfaam a pressuposio de
homogeneidade de varincia.
A distribuio F razoavelmente robusta a violaes da pressuposio de
homogeneidade de varincia desde que o nmero de repeties seja igual para todos os
tratamentos. Entretanto, na situao de nmeros diferentes de repeties, a violao da
homogeneidade de varincia pode ter efeito considervel sobre os testes de significncias,
afastando os nveis de significncias reais dos nveis nominais, tanto para mais como para
menos.
Muitas circunstncias podem violar a pressuposio de homogeneidade de varincia.
Em geral, a heterogeneidade da varincia pode ser classificada em dois tipos:
Varincia relaciona-se funcionalmente com a mdia;
Varincia no se relaciona funcionalmente com a mdia.
O primeiro tipo de heterogeneidade de varincia usualmente est associado com
variveis respostas cuja distribuio no normal e cuja varincia relaciona-se com a mdia em
decorrncia da prpria forma da distribuio.
Exemplo 8.2. Uma varivel resposta que exprime contagem de indivduos com
nmeros pequenos, tal como nmero de plantas infestadas por rea, nmero de insetos por rea,
nmero de frutos por planta e nmero de leses por folha, usualmente tem distribuio de
Poisson, para a qual a varincia igual mdia: 2 = m . Nessas circunstncias, em um
experimento sobre infestao de plantas, as varincias de variveis respostas dessa natureza
diferiro para os tratamentos cujos efeitos sobre essas variveis sejam distintos.
Consequentemente, de esperar que a varincia seja proporcional mdia: 2 m .
Exemplo 8.3. Variveis que exprimem proporo de indivduos com um dado
atributo, como proporo de sementes que germinam, proporo de insetos que sobrevivem e
proporo de animais infectados, tm distribuio binomial. Essas variveis descrevem
proporo de ocorrncias em que cada uma das ocorrncias pode ter apenas um de dois
resultados possveis (por exemplo, germina e no germina, vivo e morto, infectado e no
infectado). Para uma varivel resposta dessa origem h uma relao entre a varincia e a mdia
da forma: 2 = m(1 m) . Assim, em um experimento em que a mdia de tal varivel resposta
seja afetado por efeitos de tratamentos, de esperar que a varincia seja proporcional a m(1-m):
2 m(1 m) .
Exemplo 8.4. Variveis respostas que exprimem contagem de indivduos com
nmeros elevados, tais como nmero de ovos de helmintos nas fezes e nmero de vermes nas
vsceras de animais, podem ter distribuio lognormal, ou seja, seus logaritmos podem ter
distribuio normal. Nessas circunstncias, h uma relao entre a varincia e a mdia da forma
2 m 2 .
O segundo tipo de heterogeneidade de varincia, em que a varincia e a mdia no se
relacionam funcionalmente, usualmente ocorre em experimentos em que, devido natureza dos
tratamentos, alguns tratamentos tm erros substancialmente mais elevados (ou baixos) do que
outros. Heterogeneidade de varincia entre grupos de tratamentos dessa origem muito
frequente. De fato, em pesquisa biolgica e agrcola, comum a tendncia de correlao
positiva entre a varincia e a mdia de uma varivel resposta em intervalos de valores da
varivel resposta de grande amplitude. Como consequncia, grupos com mdias elevadas
tendem a ter varincias elevadas e aqueles com mdias mais baixas, varincias menores. Os
exemplos que seguem so ilustrativos.
Exemplo 8.5. Em um experimento para pesquisa da eficcia de herbicidas no controle
de invasoras com diversos tratamentos herbicidas e um tratamento controle sem herbicida, a
produo nas unidades com herbicidas mais eficazes tende a ser mais elevada do que nas
unidades com herbicidas menos eficazes ou com o controle. Consequentemente, a variabilidade
da produo nas unidades com herbicidas eficazes mais elevada do que nas unidades com
herbicidas ineficazes ou com o tratamento controle. Naturalmente, no se pode esperar que
variveis respostas dessas origens satisfaam a pressuposio de homogeneidade de varincia.
Exemplo 8.6. Em experimentos de comparao de cultivares em que so comparados
materiais de diversos estgios do processo de melhoramento gentico, a varincia entre
parcelas de um tratamento particular depende do grau de homogeneidade gentica do material
que est sendo testado. Por exemplo, pode-se esperar que a varincia de um gentipo de
gerao F2 seja mais elevada do que a varincia de um gentipo F1, dado que a variabilidade
gentica em F2 muito mais elevada do que em F1.
Exemplo 8.7. Em um experimento agrcola com tratamentos qumicos, tais como
fertilizantes, inseticidas, fungicidas e herbicidas, a aplicao no uniforme do tratamento
qumico pode implicar uma variabilidade mais elevada nas parcelas com esses produtos do que
nas parcelas com um tratamento controle.
Esses exemplos revelam que em muitas situaes a varincia pode relacionar-se

funcionalmente com a mdia; em outras no existe tal relao ou h uma frao considervel da
heterogeneidade de outra origem.
A tcnica de transformao de dados, a ser considerada na Seo 8.6, usualmente
efetiva para a reduo da heterogeneidade da varincia em situaes em que a varincia
relaciona-se funcionalmente com a mdia. Em algumas circunstncias ela tambm pode ser
apropriada quando no existe tal relao funcional determinada pela forma da distribuio de
probabilidade da varivel resposta, mas em que uma relao entre varincia e mdia
evidenciada pelos dados. Tambm ocorrem situaes em que a varincia heterognea, mas
no se relaciona com a mdia, ou a heterogeneidade de varincia tem as duas origens.
Uma caracterstica essencial de muitas tcnicas de inferncia baseadas na anlise da
variao a estimao da varincia atribuvel ao erro experimental, presumida comum para
todas as observaes. Em um experimento com delineamento completamente casualizado, por
exemplo, o QMErro a mdia ponderada das varincias amostrais (quadrados mdios)
individuais dos tratamentos que tem como pesos os respectivos graus de liberdade. Sob a
pressuposio de igualdade das varincias dos erros para os tratamentos, o QMErro a
melhor estimativa (ou seja, estimativa no tendenciosa e de varincia mnima) da varincia
populacional. Entretanto, varincias amostrais de tratamentos consideravelmente diferentes so
um indicativo de heterogeneidade de varincia populacional de graves consequncias para as
inferncias derivadas do experimento.
De fato, apesar do teste F e dos procedimentos para discriminao da variao
atribuvel a tratamentos serem relativamente robustos com respeito a desvios leves da
homogeneidade de varincia, violaes considerveis dessa pressuposio podem ter
consequncias graves. Para ilustrao, considere-se um experimento com quatro tratamentos A,
B, C, e D, os dois primeiros provenientes de populaes de varincia comum elevada e os
outros dois de populaes de varincia comum pequena. Nessas circunstncias, a diferena
entre as mdias dos tratamentos A e B necessria para a declarao de significncia maior do
que aquela necessria para os tratamentos C e D. Uma estimativa de varincia comum para o
experimento subestimar a varincia populacional para os tratamentos A e B e superestimar a
varincia populacional para os tratamentos C e D. Como consequncia, testes de significncias
das duas referidas diferenas de mdias de tratamentos baseados nessa estimativa de uma
varincia comum declarariam significncia da diferena entre as mdias dos tratamentos A e B
com mais facilidade do que da diferena entre as mdias dos tratamentos C e D.
8.3.3 Distribuio normal das variveis aleatrias residuais
Das quatro pressuposies esta a menos provvel de ser vlida. Se o campo de

variabilidade da varivel resposta discreto ou limitado, ela certamente incorreta. Esse o
caso, por exemplo, de variveis categricas (nominais ou ordinais), variveis que exprimem
contagem e variveis contnuas que exprimem peso ou altura de indivduos que, por definio,
so restritas a valores positivos. Em situaes reais, usualmente essa pressuposio verifica-se
apenas aproximadamente.
Essa pressuposio no essencial para a anlise da variao e estimao por ponto,
mas essencial para a validade de sentenas probabilsticas referentes a decises baseadas em
testes de hipteses e confiabilidade de estimativas por intervalo. Felizmente, desvios
razoveis da normalidade exata tm pequenos efeitos prticos, j que as duas seguintes
propriedades suportam da pressuposio de normalidade para muitas situaes prticas: a) o

teorema central do limite, que estabelece a distribuio normal aproximada da mdia, exceto
para amostras muito pequenas; e b) a robustez do teste F originada do fato de que as
probabilidades dos erros tipo 1 e tipo 2 so pouco afetadas por desvios moderados da
normalidade.
Naturalmente, variveis respostas no contnuas (por exemplo, variveis que
exprimem contagem ou proporo de indivduos com um dado carter) no tm distribuio
normal. Variveis contnuas tambm podem no ter distribuio normal. Uma propriedade
importante da distribuio normal a simetria. Outra propriedade importante sua forma
particular de curtose. Uma varivel resposta contnua pode desviar-se da distribuio quanto
simetria ou curtose, ou a ambas simetria e curtose.
Em geral, as estatsticas derivadas da distribuio normal importantes para inferncias
so robustas a desvios moderados da normalidade. A distribuio F, em particular, pouco
afetada por moderada falta de simetria e tambm pouco afetada por curtose, exceto em casos
extremos de populaes muito leptocrticas ou muito platicrticas. Para situaes de modelo
estatstico de efeitos fixos, desvios moderados da distribuio normal no devem causar
preocupaes, desde que as populaes individuais para os tratamentos tenham forma de
distribuio homognea (por exemplo, assimtrica positiva e levemente leptocrtica para todos
os tratamentos). Em geral, a menos que o desvio da normalidade seja to extremo que possa ser
prontamente detectado por inspeo visual, ele ter pouco efeito nas probabilidades associadas
com as estatsticas utilizadas em testes de significncias.
As pressuposies de homogeneidade de varincia e distribuio normal dos erros so
usualmente violadas simultaneamente, isto , se a distribuio no normal, ento a varincia
no homognea, e, se a varincia no homognea, ento a distribuio usualmente no
normal. Como a heterogeneidade da varincia muito mais fcil de ser detectada do que a no
normalidade, esses dois problemas so usualmente tratados conjuntamente, com maior nfase
para a heterogeneidade da varincia.
8.3.4 Ausncia de correlao das variveis aleatrias residuais
Sob a pressuposio de distribuio normal, essa pressuposio equivalente

independncia estatstica. Frequentemente, esta pressuposio razovel. Ela significa que no
h qualquer relao entre diferentes observaes que no seja levada em conta pelos termos no
modelo estatstico. De fato, para certos experimentos planejados a casualizao apropriada
uma boa proteo contra a correlao dos erros, exceto para certas formas triviais de correlao
que so levadas em conta pelo modelo estatstico.
Essa pressuposio usualmente violada em experimentos em que as unidades
experimentais so arranjadas sistematicamente, dado que erros de unidades prximas (no
espao, no tempo, ou segundo alguma outra caracterstica relevante) tendem a ser mais
semelhantes do que de unidades distantes. Por exemplo, em experimentos agrcolas de campo,
as respostas das plantas tendem a ser mais semelhantes em parcelas adjacentes do que em
parcelas distantes; em experimentos de laboratrio, determinaes efetuadas por um mesmo
laboratorista so usualmente mais semelhantes do que as feitas por diferentes laboratoristas.
Semelhantemente, em experimentos com observaes repetidas sobre as unidades em instantes
sucessivos de um intervalo de tempo, observaes prximas no tempo tendem a ser mais
semelhantes do que observaes distantes.
A ausncia de correlao usualmente assegurada pela atribuio aleatria das

unidades experimentais aos tratamentos, e pela casualizao das caractersticas estranhas que se
manifestem de modo relevante durante a execuo do experimento. Essa garantia no existe em
experimentos planejados que envolvam observaes repetidas nas unidades experimentais em
um intervalo de tempo, e em situaes em que a impraticabilidade ou impossibilidade de
casualizao impliquem em diferenas sistemticas entre unidades experimentais com
diferentes tratamentos. A pressuposio de ausncia de correlao no satisfeita, por
exemplo, se as condies a que esto sujeitas as unidades experimentais de um tratamento
diferem sistematicamente das condies de outras unidades. Isso ocorre, por exemplo, com
algumas prticas culturais em experimentos agrcolas de campo, como capina e colheita,
quando efetuadas tratamento por tratamento, e em experimentos com animais quando os
animais com um mesmo tratamento ficam em um nico potreiro e animais com diferentes
tratamentos, em potreiros distintos. Situao semelhante tambm ocorre em experimentos
conduzidos em etapas, quando cada tratamento aplicado em uma etapa diferente e h variao
relevante de condies ambientais entre as etapas.
Em algumas situaes em que a casualizao invivel a ausncia de correlao pode
ser lograda por uma transformao apropriada da varivel resposta. O procedimento de
transformao de dados para lograr ausncia de correlao no ser tratado aqui.
Dado que a casualizao apropriada usualmente assegura a ausncia de correlao dos
erros experimentais, o modo mais simples de detectar a presena de correlao dos erros
verificar o croqui do experimento. A deteco de algum padro sistemtico no arranjamento
dos tratamentos entre as repeties, indicao de correlao dos erros.
Em resumo, a homogeneidade da varincia a pressuposio que usualmente requer
maior cuidado. Em algumas situaes, possvel que uma transformao da varivel resposta
(tomando logaritmos ou razes quadradas, por exemplo) logre que as pressuposies sejam
mais aproximadamente satisfeitas para as variveis transformadas. Mtodos com esse propsito
sero discutidos mais adiante.
8.4 Verificao da adequao do modelo estatstico pela inspeo dos

resduos
Os principais mtodos para diagnstico de violaes das pressuposies do modelo

estatstico so baseados nos resduos. No caso do delineamento completamente casualizado,
por exemplo, o resduo do valor observado da varivel resposta em uma parcela com o
tratamento i :
e ij = yij y ij
= yij yi. .
Assim, os resduos para o i-simo tratamento so obtidos subtraindo do valor

observado da varivel resposta a mdia desse tratamento, em cada parcela com o tratamento i.
A verificao da adequao do modelo usualmente pode ser efetuada por uma
inspeo grfica dos resduos. Tal verificao deve ser um procedimento rotineiro inicial de
todo processo de anlise que se fundamenta na anlise da variao. Se o modelo estatstico
adequado, os resduos no devem mostrar qualquer estrutura, isto , no devem revelar
qualquer padro aparente. Uma anlise dos resduos pode revelar inadequaes do modelo
estatstico e violaes de suas pressuposies.
8.4.1 Normalidade da distribuio dos erros
Uma verificao da pressuposio de normalidade pode ser feita pela construo de

um histograma dos resduos. Se a pressuposio de distribuio dos erros normal com mdia
igual a zero e varincia 2 satisfeita, o histograma deve assemelhar-se a um histograma de
uma amostra de uma distribuio normal com centro na origem 0. Para dados de pequenas
amostras, como usualmente o caso de dados de experimentos, a estimao da distribuio de
probabilidade na populao por meio de um histograma muito precria, pela variabilidade da
forma do histograma em funo da amostra. Nessas circunstncias, um desvio moderado de um
histograma de resduos da forma do histograma de uma amostra de uma distribuio normal
no implica, necessariamente, uma violao sria da pressuposio de normalidade.
Outro procedimento a construo de um grfico de probabilidade normal dos
resduos, ou seja, um grfico da distribuio cumulativa dos resduos em uma folha especial
para grficos, denominada folha de probabilidade normal, na qual a representao grfica da
distribuio normal cumulativa uma reta. Para construir um grfico de probabilidade normal
para uma amostra de n observaes arranjam-se os resduos em ordem crescente e representam-
se os pontos ( ek , Pk), onde ek o k-simo resduo e Pk = (k-0,5)/n, em uma folha de
probabilidade normal. Se a distribuio de probabilidade dos erros normal, os pontos devem
dispor-se, aproximadamente, ao longo de uma reta.
Exemplo 8.8. Considerem-se os dados de um experimento conduzido para estudar o
efeito da percentagem de algodo na fibra sobre a resistncia tnsil de uma fibra sinttica
utilizada na fabricao de um tecido, com cinco nveis de percentagem de algodo: 15, 20, 25,
30 e 35. Cinco pores de tecido foram fabricadas com cada uma dessas cinco percentagens de
algodo, em uma ordem aleatria. Os resultados do experimento e os correspondentes resduos
do modelo estatstico postulado so apresentados na Tabela 8.4.
Tabela 8.4. Resistncia tnsil observada em cada unidade experimental e

correspondente resduo do modelo estatstico postulado 1.
Percentagem Observao yi.

de algodo 1 2 3 4 5
15 7 (15) 7 (19) 15 (25) 11 (12) 9 (6) 9,8
-2,8 -2,8 5,2 1,2 -0,8
20 12 (8) 17 (14) 12 (1) 18 (11) 19 (26) 15,4
-3,4 1,6 -3,4 2,6 2,6
25 14 (18) 18 (13) 18 (20) 19 (7) 19 (9) 17,6
-3,6 0,4 0,4 1,4 1,4
30 19 (22) 25 (5) 22 (2) 19 (24) 23 (10) 21,6
-2,6 3,4 0,4 -2,6 1,4
35 7 (17) 10 (21) 11 (4) 15 (16) 11 (23) 10,8
-3,8 -0,8 0,2 4,2 0,2
1
Em cada clula da tabela, o primeiro nmero o valor observado da
resistncia tnsil; o nmero entre parnteses indica a ordem de
coleta dos dados; os resduos so apresentados na segunda linha.
Os resduos, em ordem crescente, e os pontos da correspondente distribuio de

probabilidade cumulativa so apresentados na Tabela 8.5.
Tabela 8.5. Resduos ordenados e pontos de probabilidade para os dados do Exemplo 8.8.
Ordem Resduo Pk = Ordem Resduo Pk =

k e k (k-0,5)/25 k e k (k-0,5)/25
1 -3,8 0,02 14 0,4 0,54
2 -3,6 0,06 15 0,4 0,58
3 -3,4 0,10 16 1,2 0,62
4 -3,4 0,14 17 1,4 0,66
5 -2,8 0,18 18 1,4 0,70
6 -2,8 0,22 19 1,4 0,74
7 -2,8 0,26 20 1,6 0,78
8 -2,6 0,30 21 2,6 0,82
9 -0,8 0,34 22 2,6 0,86
10 -0,8 0,38 23 3,4 0,90
11 0,2 0,42 24 4,2 0,94
12 0,2 0,46 25 5,2 0,98
13 0,4 0,50
O grfico de probabilidade normal apresentado na Figura 8.1. Um histograma dos

resduos apresentado ao p dessa figura. O exame da Figura 8.1 revela que a distribuio dos
erros pode ser levemente assimtrica, com a cauda direita mais longa do que a esquerda. A leve
inclinao do grfico de probabilidade normal esquerda implica que a cauda esquerda da
distribuio dos erros um pouco mais fina do que seria esperado em uma distribuio normal;
ou seja, os resduos negativos no so to grandes, em valores absolutos, como seria esperado.
Entretanto, o grfico no revela desvio considervel da normalidade.
Figura 8.1. Grfico de probabilidade normal e histograma dos resduos

para o Exemplo 8.8.
De modo geral, em situaes de modelo estatstico de efeitos fixos, desvios

moderados da normalidade so pouco preocupantes. Uma distribuio dos erros com caudas
consideravelmente mais espessas (ou finas) do que a normal deve ser mais preocupante do que
uma distribuio assimtrica. Como o teste F levemente afetado por desvios da normalidade,
diz-se que a anlise da variao e os procedimentos dela derivados so robustos
pressuposio de normalidade. Desvios da normalidade usualmente causam pequenas
diferenas nos nveis de significncia dos testes em relao aos nveis nominais adotados.
Tambm a potncia do teste resulta levemente reduzida. Desvios da normalidade tm impacto
mais severo para modelo estatstico de efeitos aleatrios. Em particular, em estimativas por
intervalo de componente de varincia, coeficientes de confiana podem diferir grandemente dos
valores nominais.
Em grficos de probabilidade normal, muito comum a manifestao de um ou mais
resduos consideravelmente superiores, em valor absoluto, aos demais. Tais resduos so
denominados resduos discrepantes ou resduos aberrantes e as observaes a que
correspondem, observaes discrepantes ou observaes aberrantes. A presena de resduos

discrepantes pode causar distores considerveis nos procedimentos de inferncia baseados na
anlise da variao. Assim, quando revelado um resduo discrepante, deve ser procedida uma
inspeo cuidadosa dos dados. Frequentemente, a causa de uma observao discrepante um
descuido nos clculos ou um erro de codificao ou de transcrio de dados. Se essa no a
origem, as circunstncias experimentais referentes observao devem ser inspecionadas
cuidadosamente. Se a observao discrepante um valor particular desejvel (resistncia
elevada, custo baixo, por exemplo), ento ela pode ser mais informativa do que o resto dos
dados. Assim, deve-se ter cuidado de no descartar uma observao discrepante, a menos que
se tenha base no estatstica razovel para faz-lo. Na pior das hipteses, pode-se concluir com
duas anlises: uma com a observao discrepante e outra sem ela.
H vrios procedimentos estatsticos para a deteco de observaes discrepantes.
Uma verificao rpida pode ser procedida pelo exame dos resduos padronizados, ou seja:
eij
d ij = .
QMErro
Se os erros eij tm distribuio normal com mdia igual a 0 e varincia 2, o que
denotado por eij N(0, 2), ento os resduos padronizados devem ter distribuio
aproximadamente N(0, 1). Dessa forma, aproximadamente de 68% dos resduos padronizados
devem situar-se no intervalo (-1, 1); cerca de 95% devem situar-se no intervalo (-2, 2) e
virtualmente todos eles no intervalo (-3, 3). Um resduo que se afaste de zero por mais do que
trs desvios padres identifica uma potencial observao discrepante.
Para os dados do Exemplo 8.8, o grfico de probabilidade normal e o histograma no
do indicao de observaes discrepantes. Essa indicao corroborada pela inspeo dos
resduos padronizados, j que o resduo padronizado mais elevado :
e13 5, 2
d13 = = = 1,83 ,
QMErro 8, 06
que inferior a 3.
8.4.2 Homogeneidade de varincia
Se no h erro de especificao do modelo estatstico e se as pressuposies deste so

satisfeitas, os resduos no devem apresentar qualquer estrutura que revele a presena de
componente sistemtico. Em particular, eles no devem se relacionar com qualquer varivel
explanatria, com caractersticas estranhas controladas e com a varivel resposta. Uma
verificao simples provida pelo grfico dos resduos em relao aos valores preditos
(ajustados) da varivel resposta. No caso de delineamento completamente casualizado, por
exemplo, o grfico dos resduos eij em relao aos valores ajustados yij = yi. (mdias dos
tratamentos) no deve revelar qualquer padro bvio.
Exemplo 8.8 (continuao). O grfico da relao dos resduos com os valores
ajustados da varivel resposta para os dados do Exemplo 8.8 apresentado na Figura 8.2. Esse
grfico no revela qualquer estrutura que indique a presena de algum componente sistemtico
nos erros.
Figura 8.2. Grfico dos resduos em relao aos valores ajustados da

varivel resposta, Exemplo 8.8.
Esse grfico pode revelar varincia no constante. Algumas vezes a varincia cresce
com o incremento da magnitude da varivel resposta. Essa relao entre varincia e valor da
varivel resposta ocorre, por exemplo, quando o erro uma percentagem constante da varivel
resposta. Isso acontece, comumente, com muitas medidas. Nessa circunstncia, os resduos
crescem na medida em que as observaes crescem, de modo que o grfico dos resduos em
relao aos valores estimados da resposta toma a forma de um funil ou megafone. Varincia
no constante tambm ocorre em situaes em que a distribuio da varivel resposta no
normal assimtrica, j que em distribuies assimtricas a varincia tende a ser uma funo da
mdia. Heterogeneidade de varincia tambm pode decorrer de resposta errtica aos
tratamentos.
Se a pressuposio de homogeneidade de varincia violada, o teste F afetado
apenas levemente, no caso de modelo estatstico de efeitos fixos e delineamentos balanceados.
Entretanto, em casos de delineamentos no balanceados, ou em casos em que uma varincia
muito maior do que as outras, o problema mais srio. Para modelo estatstico de efeitos
aleatrios, varincias do erro heterogneas podem perturbar consideravelmente inferncias
referentes a componentes de varincia, mesmo em situao de delineamentos balanceados.
Em algumas situaes, a habilidade do pesquisador (ou da unidade experimental) varia
com o progresso do experimento, ou o processo sob pesquisa muda ou torna-se mais errtico.
Isso muitas vezes resulta em alterao na varincia do erro ao longo do tempo. Essa condio
pode ser revelada em um grfico dos resduos em relao ao tempo, pelo aumento da disperso
no sentido de um dos extremos do intervalo de tempo.
Exemplo 8.8 (continuao). A Tabela 8.4 apresenta os resduos para os instantes
sucessivos de coleta dos dados do Exemplo 8.8. A Figura 8.3 apresenta o grfico dos resduos
em relao ao tempo. A inspeo dessa figura no revela qualquer padro sistemtico dos
resduos. Assim, no h qualquer razo para suspeita de violao da pressuposio de
homogeneidade de varincia para o experimento em questo.
Figura 8.3. Grfico dos resduos em relao ao tempo para os

dados do experimento do Exemplo 8.8.
8.4.3 Independncia da distribuio dos erros
A correlao dos erros comumente associa-se posio relativa das unidades

experimentais no espao ou no tempo. Em muitas situaes, espera-se que unidades prximas
sejam mais semelhantes do que unidades distantes.
Assim, se os dados so valores de uma varivel resposta coletados sobre as unidades
experimentais em instantes sucessivos de um intervalo de tempo, um grfico dos resduos em
relao ao tempo pode ser til para detectar correlao entre os resduos. Uma tendncia de
alternncia de conjuntos de resduos positivos e negativos indicao de correlao positiva.
Isso implicaria violao da pressuposio de independncia, um problema potencialmente srio
e difcil de corrigir. Dessa forma, importante evitar o problema, se possvel, no planejamento
e na conduo do experimento. A casualizao apropriada, quando exequvel, um recurso
importante para a obteno da independncia.
Exemplo 8.8 (continuao). O grfico dos resduos em relao ao tempo para os dados
do Exemplo 8.8 apresentado na Figura 8.3. A inspeo dessa figura no revela qualquer
razo para suspeita de violao da pressuposio de independncia estatstica.
8.5 Teste de homogeneidade de varincia
A homogeneidade de varincia a pressuposio usualmente mais crtica. O teste F na

anlise da variao muito robusto (no sentido de que, mesmo na situao de varincias
heterogneas, o nvel de significncia para o teste F no se altera de modo considervel), para
situaes de modelo estatstico fixo com estrutura balanceada (ou seja, igual nmero de
repeties para as combinaes dos nveis dos fatores experimentais). Entretanto,
heterogeneidade de varincia pode implicar distores dos nveis de significncias nominais
em situaes de nmeros diferentes de repeties e modelo estatstico aleatrio ou misto.
Diversos procedimentos tm sido propostos para teste de homogeneidade de varincia.

Nenhum desses testes tem sido considerado superior aos demais. Considerar-se- aqui apenas
dois desses procedimentos: os testes de Hartley e de Cochran.
Preliminarmente, saliente-se que no disponvel uma receita que indique ao
pesquisador em que situaes ele deve preocupar-se com a heterogeneidade da varincia e,
ento, procurar algum remdio, como uma transformao dos dados. Entretanto, as regras que
seguem podem ser teis para a orientao do pesquisador na tomada de deciso:
1) Se o valor P, ou seja, a probabilidade de obter um valor da estatstica de teste
mais extremo do que a observado para a amostra sob a hiptese de homogeneidade de
varincia, for maior que 0,01, no adotar transformao de dados.
2) Se esse valor P for menor que 0,001, proceder a uma transformao dos dados
apropriada.
3) Se esse valor P situar-se entre 0,01 e 0,001, tentar encontrar a distribuio de
probabilidade apropriada da varivel resposta. Se houver alguma razo prtica para
transformar, proceda a transformao; caso contrrio, no proceda qualquer transformao.
Com as facilidades providas por computao eletrnica tem havido uma tendncia para tentar
vrias transformaes, efetuar o teste de homogeneidade da varincia para cada uma dessas
transformaes e, ento, selecionar a transformao que prov a estatstica de teste que se
localize mais favoravelmente na regio de aceitao. Embora esse procedimento no seja de
todo mau, ele deve ser utilizado apenas aps a utilizao de todo o conhecimento terico
disponvel para a escolha de uma transformao que faa sentido de um ponto de vista fsico.
Exemplo 8.9. Considere-se um experimento que teve como objetivo a pesquisa do
controle da incidncia de uma praga da cultura do arroz. O experimento compreendeu os
seguintes tratamentos:
1 Diazinon (4),
2 Diazinon (3),
3 Diazinon (2),
4 Diazinon (1),
5 Diazinon e MCB (2),
6 Diazinon, MCB e SCB (2),
7 Diazinon a 12% de infestao (1),
8 - Diazinon a 20% de infestao (1), e
9 Controle (sem inseticida).
Os nmeros entre parnteses referem-se frequncia (nmero de aplicaes). As quantidades
em cada aplicao foram as seguintes: Diazinon 2 kg/ha, Malation em concentrao baixa
(MCB) - 500cc/ha, Malation e Sumition em concentrao baixa (MCB e SCB) - 500 cc/ha.
O experimento foi conduzido em caixas, em casa de vegetao, com delineamento
completamente casualizado, com quatro repeties de cada um dos nove tratamentos. A Tabela
8.6 apresenta os dados de nmero de larvas vivas recolhidas por unidade experimental, ao final
do perodo experimental.
Tabela 8.6. Nmero de larvas vivas recolhidas por unidade experimental,

aps o perodo experimental.
Repeties
Tratamento m s2
1 2 3 4
1 9 12 0 1 5,50 35,000
2 4 8 5 1 4,50 8,333
3 6 15 6 2 7,25 30,250
4 9 6 4 5 6,00 4,667
5 27 17 10 10 16,00 64,667
6 4 10 15 5 8,50 25,667
7 1 0 0 0 0,25 0,250
8 10 0 2 1 3,25 20,917
9 35 28 2 15 20,00 212,667
Os resultados da anlise da variao e do teste de significncia dos efeitos dos

tratamentos referentes a nmero de larvas vivas esto na Tabela 8.7.
Tabela 8.7. Anlise da variao e resultado do teste de significncia

dos efeitos dos tratamentos referentes a nmero de larvas
vivas, Exemplo 8.9.
Fonte GL SQ QM F Prob.>F
Tratamento 8 1.255,50 156,938 3,5099 0,0066
Erro 27 1.207,25 44,713
Total 35 2.462,75
Em situaes como a desse Exemplo 8.9 em que a varivel resposta sabidamente no

tem distribuio normal e em que h suspeita de heterogeneidade de varincia entre
tratamentos, o primeiro passo a estimao separada da varincia do erro experimental para
cada tratamento. A varincia do erro experimental para o tratamento i expressa por:

1 ri
si2 = ( yij y..) 2 .
ri 1 j=1
Ento, para o tratamento 1 tem-se:
s12 = (9 5,5)2 + (12 5,5)2 + (05, 5) 2 + (15,5)2 = 35,0.

4 1
1
Semelhantemente, pode-se determinar as estimativas das varincias dos erros para os nove
tratamentos. Observe-se que, na situao de delineamento completamente casualizado, a
estimativa s2 da varincia do erro experimental comum para todas as observaes a mdia
ponderada das estimativas si2 das varincias individuais para os t tratamentos cujos pesos so os
respectivos graus de liberdades ri-1:
(ri 1)si2
t
(yij y..)2
t ri
i=1 1
= = s2 ,
(ri 1)
t n t i=1 j=1
i=i
onde n = r1+r2+...+rt.
A inspeo das estimativas das varincias e das mdias para os tratamentos, nas duas
ltimas colunas da Tabela 8.6, e o grfico da Figura 8.4 revelam uma tendncia de estimativas
de varincias mais elevadas corresponderem a estimativas de mdias mais elevadas. Isso
significa a necessidade da considerao de um teste de homogeneidade da varincia dentro de
tratamentos.
Figura 8.4. Grfico dos nove pontos correspondentes s estimativas da

mdia e correspondente desvio padro para cada um dos
nove tratamentos.
Teste de Hartley
A estatstica para o teste de Hartley, denotada por Fmax a razo da estimativa de

varincia mais elevada para a mais baixa:
max si2
i
Fmax = ,
min si2
i
onde si2 , i=1,2,...,k, so as estimativas das varincias dos k grupos. Sob a hiptese de igualdade
das k varincias populacionais, essa estatstica tem a distribuio Fmax de Hartley com k e n-1
graus de liberdade, onde k o nmero de grupos (varincias) e n o nmero de observaes em
cada grupo. A hiptese de homogeneidade de varincia rejeitada se o valor observado Fmax
mais elevado que o valor Fmax(k;n-1;) que demarca a cauda superior da distribuio de Fmax
para k varincias, n-1 graus de liberdade da varincia casual e o nvel de significncia
escolhido.
A Tabela A-8 do Apndice apresenta os valores que demarcam o ponto superior da

distribuio dessa estatstica para caudas de reas 0,01 e 0,05 e valores de k entre 2 e 12 e de n-
1 acima de 2.
Exemplo 8.9 (continuao). Para o Exemplo 8.9 as estimativas de varincia para
tratamentos mais elevada e mais baixa so, respectivamente, s 62 = 212,667 e s 72 = 0,250 .
Portanto,
212, 667
Fmax = = 850, 668 .
0, 250
Para um teste de homogeneidade de varincia com nvel de significncia =0,05,

obtm-se da Tabela A-8, para k=9 (nmero de varincias), n-1= 3 (graus de liberdade para
cada tratamento) e P=0,05: Fmax(k=9;n-1=3;=0,05) = 93,9. Como o valor observado Fmax =
850,668 maior que o valor da tabela Fmax(9;3;0,05) = 93,9, a hiptese de homogeneidade de
varincia rejeitada.
Teste de Cochran
A estatstica para o teste de Cochran, denotada por C, a razo da estimativa de

varincia mais elevada para a soma das estimativas das varincias dos k grupos:
max si2
si2
i
C= ,
i
onde si2 , i=1,2,...,k, so as estimativas das varincias dos k grupos. Sob a hiptese de igualdade
das k varincias populacionais, essa estatstica tem a distribuio C de Cochran com k e n-1
graus de liberdade, onde k o nmero de grupos (varincias) e n o nmero de observaes em
cada grupo. A hiptese de homogeneidade de varincia rejeitada se o valor observado de C
maior que o valor C(k;n-1;) que demarca a cauda superior da distribuio de C para k
varincias, n-1 graus de liberdade da varincia casual e o nvel de significncia .
A Tabela A-9 do Apndice apresenta os valores que demarcam o ponto superior da
distribuio dessa estatstica para caudas de reas 0,01 e 0,05 e valores de k entre 2 e 15 e de n-
1 entre 1 e 144.
Esse procedimento apropriado para a situao de igual nmero de repeties o
mesmo para todos os grupos. Se os nmeros de repeties diferem levemente, recomendvel
o uso do nmero de repeties mais elevado para a determinao dos graus de liberdade para o
teste. Esse procedimento conduz a um pequeno vis positivo dos testes, ou seja, a rejeio da
hiptese de homogeneidade mais frequentemente do que o definido pelo nvel de significncia
e pela potncia do teste 1-.
Exemplo 8.9 (continuao). Considere-se novamente a situao do Exemplo 8.9. A
estimativa de varincia para tratamentos mais elevada s 62 = 212,667 e a soma das estimativas
das varincias para os nove tratamentos si2 = 35,0 + 8,333 + ... + 25,667 = 402,418. Logo,
i
212, 667
C= = 0,5285 .
402, 418
Da Tabela A-9, para k=9 (nmero de varincias), n-1=3 (graus de liberdade para cada
tratamento) e P=0,05, obtm-se: C(k=9;n-1=3;=0,05) = 0,403. Como o valor observado C =
0,5285 maior que C(9;3;0,05) = 0,403, a hiptese de homogeneidade de varincia rejeitada.
Tanto o teste de Hartley como o de Cochran tm sensibilidade adequada para o teste
de homogeneidade de varincia em situaes em que a heterogeneidade suspeita. Deve ser
observado, entretanto, que esses testes so sensveis a desvios da distribuio normal.
8.6 Transformao de dados
Nas situaes em que as pressuposies do modelo estatstico referidas na Seo 8.2

no so razoavelmente satisfeitas para a varivel resposta, os procedimentos de inferncia
considerados nos Captulos anteriores no devem ser utilizados. Nessas circunstncias, o
pesquisador pode recorrer a um dos seguintes procedimentos alternativos:
1) transformao dos dados que logre aquelas pressuposies para a varivel resposta
transformada;
2) procedimento que leve em conta a distribuio de probabilidade particular da
varivel resposta, se essa distribuio conhecida;
3) procedimento que demande um conjunto de pressuposies menos restritivo,
particularmente quanto forma da distribuio de probabilidade dos erros.
Se a distribuio conhecida, o procedimento geralmente mais recomendvel o
emprego de mtodos de inferncias que levem em conta essa distribuio particular.
Procedimentos de inferncia baseados no usualmente denominado modelo linear
generalizado permitem a especificao de algumas distribuies particulares mais usuais.
Esses procedimentos de anlise so consideravelmente mais complexos e laboriosos.
Entretanto, sua utilizao atualmente vivel com os recursos de computao disponveis em
pacotes de anlise estatstica que o implementam, como o PROC GENMOD do Statistical
Analysis Sistem (SAS).
Procedimentos que demandam pressuposies menos restritivas quanto distribuio
de probabilidade dos erros so usualmente denominados no paramtricos e livres de
distribuio. Esses procedimentos so apropriados apenas para situaes em que a distribuio
de probabilidade dos erros desconhecida e para as quais inexiste uma transformao de dados
que logre a satisfao das pressuposies requeridas por procedimentos baseados na
especificao de uma distribuio de probabilidade. So usualmente baseados em uma
transformao da varivel resposta para escala ordinal, o que implica em perda de informao
se a varivel resposta originalmente expressa em escala intervalar ou racional. Por essa razo,
eles devem ser utilizados apenas em situaes para as quais no sejam disponveis
procedimentos que levem em conta a distribuio de probabilidade dos erros.
O procedimento de transformao de dados pode ser considerado um recurso
intermedirio entre os procedimentos baseados em distribuio conhecida dos erros e os
procedimentos que ignoram essa distribuio. Ele constitui um recurso para as seguintes
situaes:
- a distribuio conhecida e para essa distribuio h uma transformao particular

que logre a homogeneidade da varincia e a normalidade da distribuio; nesse caso, a
transformao de dados pode ser justificvel como um procedimento alternativo por implicar
menor complexidade metodolgica e computacional.
- a varivel aleatria contnua, sua distribuio desconhecida, h uma
heterogeneidade de varincia originada de uma relao entre a varincia e a mdia, e uma
transformao apropriada determinada com base nessa relao conduz homogeneizao da
varincia e uma aproximao da distribuio normal.
- a transformao conduz aditividade do modelo estatstico no satisfeita para a
varivel resposta original.
Uma transformao de dados pode ser apropriada para algumas formas de relao
entre varincia e mdia. A Figura 8.5 apresenta indicaes de transformaes de dados para
algumas dessas situaes.
Varincia
Origem dos Distribuio Designao da
em funo Transformao
dados relevante transformao
da mdia m
Contagem com y ou y +3 / 8
m nmeros Poisson para valores Raiz quadrada
pequenos pequenos
arcsen y ou
Proporo de
indivduos com y +3 / 8 Arco seno,
m(1-m)/n Binomial arcsen
dada n +3 / 4 Angular
caracterstica para valores
pequenos
Contagem com log y ou
m2 Emprica Logartmica
nmeros grandes log(y+1)
Ensaio biolgico y
log
1+ y
m2(1-m2) e crescimento Emprica Logtica
de populaes
Intervalo entre
Distribuio
falhas, nmero
com
m4 de falhas por 1/y Recproca
achatamento
unidade de
extremo
tempo
Estimativa de Varincia de
2m2(n-1) log y Logartmica
varincia amostra
Figura 8.5. Transformaes apropriadas para algumas formas conhecidas de relao

entre varincia e mdia.
Para situaes em que a heterogeneidade da varincia origina-se essencialmente de

uma relao entre varincia e mdia da forma:
y mb,
ou seja, em que o desvio padro proporcional a uma potncia da mdia, h um procedimento

que permite a derivao de uma transformao apropriada que logra a homogeneidade da
varincia e uma aproximao da distribuio normal. Esse procedimento considerado na
Seo 8.7.
Procedimento geral para anlise estatstica com transformao de dados
O procedimento geral para a anlise estatstica com transformao dos valores da

varivel resposta y o seguinte:
1 - Efetua-se a transformao apropriada dos dados: z = f(y). 2 - Procede-se a
anlise estatstica completa com os dados transformados. 3 - Reconvertem-se os resultados,
particularmente as mdias, determinados para os dados transformados para a escala da varivel
original por meio da transformao inversa: y = f-1(z).Exemplo 8.10. Para ilustrao do
procedimento de anlise estatstica com transformao de dados considerem-se resultados do
experimento Competio de fungicidas no tratamento de semente de cebola, com os
seguintes tratamentos: 1 Neantina (seco); 2 Phygon XL; 3 Granosan 5%; 4 Carbonato
de Cobre; 5 Arasan; 6 Controle. Todos fungicidas foram diludos a 2%. Esse experimento
foi conduzido em caixas com terra esterilizada, em casa de vegetao, e adotou delineamento
completamente casualizado, com cinco repeties de cada um dos tratamentos. Em cada caixa
foram semeadas 110 sementes. A varivel resposta sob considerao o estande, ou seja, o
nmero de plantas por caixa, na quarta contagem. Os dados dessa varivel esto na Tabela 8.8.
Tabela 8.8. Nmero de plantas na quarta contagem originadas de

110 sementes, Exemplo 8.10.
Repetio
Tratamento
1 2 3 4 5
1 97 68 93 90 90
2 89 88 97 90 83
3 91 78 92 90 94
4 75 66 68 62 81
5 71 89 89 79 87
6 57 60 53 72 65
A varivel resposta o estande na quarta contagem correspondente a 110 sementes

plantadas. Esse estande tem distribuio binomial com parmetros p e n, onde p a
probabilidade de uma semente originar uma planta na quarta contagem e n=110. A razo
estande/110 a proporo de plantas na quarta contagem, determinada a partir do nmero
comum de 110 sementes plantadas em todas as parcelas. A transformao apropriada para essa
situao a transformao angular, ou seja:
z = arcsen estande /110 .
O passo preliminar da anlise estatstica a transformao dos dados. Os dados
transformados, com o arco expresso em radianos, esto na Tabela 8.9.
Tabela 8.9. Arco expresso (em radianos) correspondente ao seno da

raiz quadrada da proporo de plantas na quarta
contagem originada das 110 sementes, Exemplo 8.10.
Repetio
Tratamento
1 2 3 4 5
1 1,220 0,905 1,167 1,130 1,130
2 1,119 1,107 1,220 1,130 1,053
3 1,142 1,001 1,154 1,130 1,180
4 0,972 0,886 0,905 0,849 1,032
5 0,933 1,119 1,119 1,011 1,096
6 0,804 0,831 0,767 0,943 0,877
Os resultados da anlise da variao e do teste de significncia da variao atribuvel

aos tratamentos, efetuados para os dados transformados, esto na Tabela 8.10.
Tabela 8.10. Resultados da anlise da variao e do teste de significncia da

variao atribuvel aos tratamentos.
Tratamento 5 0,3471 0,0694 10,51 < 0,0001

Erro 24 0,1585 0,0066
Total 29 0,5057
O coeficiente de variao determinado como segue:

QM Erro
CV = 100
m
0, 00661
= 100 = 7,9 % .
1, 0310
As inferncias referentes aos efeitos de tratamentos de interesse particular
compreendem as comparaes de cada um dos fungicidas com o tratamento controle. Essas
comparaes podem ser procedidas pelo teste de Dunnett, cujo critrio :
A = t D (, t, ) s d ,
onde:
tD(24;5;0,05) = 2,36, para teste unilateral, e
2 QM Erro 20, 00661

sd = = = 0, 0514 ;
5 5
logo,
A = 2,36 0,0514 = 0,1213.
Subtraindo e somando o valor crtico A da mdia do tratamento testemunha, tem-se:
zc A = 0,8442 0,1213 = 0,7229 e
zc + A = 0,8442 + 0,1213 = 0,9655.

Ento, fungicidas cujas mdias situam-se acima de 0,9655 ou abaixo de 0,7229
diferiram significativamente do tratamento controle (sem fungicida). Os resultados dessas
comparaes esto na tabela que segue, onde os tratamentos cujas mdias diferiram
significativamente da mdia do tratamento controle so indicadas por um asterisco.
Tratamento Mdia 1
1 Neantina (seco) a 0,2% 1,110 *
2 Phygon XL a 0,2% 1,126 *
3 Granosan 5% a 0,2% 1,121 *
4 Carbonato de Cobre a 0,2% 0,929
5 Arasan a 0,2% 1,056 *
6 Controle 0,844
1
Tratamentos cujas mdias so seguidas de um asterisco
diferiram significativamente do tratamento controle,
pelo teste de Dunnett (=0,05).
A expresso dos resultados da anlise estatstica, particularmente das comparaes dos

fungicidas com o tratamento controle, deve ser feita na escala original; no presente caso, pela
reconverso das mdias em propores ou percentagens.
Essa reconverso deve ser procedida pela transformao inversa de:
z = arcsen proporo
ou seja:
proporo = ( sen z ) ou percentagem =100 ( sen z ) .

2 2
Assim, para o tratamento 1 Neantina (seco) a 0,2%, por exemplo, tem-se:
percentagem =100 ( sen 1,110 ) = 80,2 %.

2
As concluses das comparaes dos fungicidas com o tratamento controle so

apresentadas na Tabela 8.11 que segue:
Tabela 8.11. Percentagens de plantas na quarta contagem para os tratamentos

do Exemplo 8.10 e resultados das comparaes dos fungicidas
com o tratamento controle.
Tratamento Mdia (%) 1

1 Neantina (seco) a 0,2% 80,3 *
2 Phygon XL a 0,2% 81,5 *
3 Granosan 5% a 0,2% 81,1 *
4 Carbonato de Cobre a 0,2% 64,1
5 Arasan a 0,2% 75,7 *
6 Controle 55,9
1
Tratamentos cujas mdias so seguidas de um asterisco
diferiram significativamente do tratamento controle,
pelo teste de Dunnett (=0,05).
8.7 Transformao potncia para estabilizao da varincia
Em muitas situaes a distribuio da varivel resposta no conhecida. Em algumas

dessas circunstncias pode ser determinada uma transformao apropriada com base na relao
emprica, ou seja, na relao indicada pelos prprios dados, entre o desvio padro e a mdia.
Essa transformao apropriada para situaes muito frequentes em que o desvio
padro proporcional a uma potncia da mdia:
y mb.
Uma transformao potncia da forma:
z = yp
implica uma relao de proporo entre o desvio padro e a mdia da forma:
z mp+b-1.
Ento, para p = 1-b o desvio padro da varivel transformada z tornar-se- constante, porque
p+b-1=0 implica:
z m0 = 1.
Isso significa que a varincia de z ser constante. Assim, logra-se a homogeneidade da
varincia com a transformao:
z = y1-b.
Em anlise exploratria de dados essa famlia de transformaes frequentemente
representada como uma escada de potncias. A Tabela 8.12 apresenta a ordem da escada de
potncias para algumas das transformaes mais usuais.
Tabela 8.12. Transformaes na escada de potncias z = yp para diversos valores de p.
p yp Designao da Observaes
transformao
Usualmente, potncia mais
2 y2 Quadrado
elevada
1 y1 Dados originais Sem transformao
y Raiz quadrada Distribuio de Poisson
0 log(y) Logartmica
Recproca da raiz Sinal negativo preserva a ordem
-1/2 1/ y
quadrada das observaes
-1 1/y Recproca Reexpressa tempo em razo
Valores p < 1 so prprios para tornar simtrica uma distribuio assimtrica inclinada
direita; a transformao potncia puxa a cauda direita espalhada das observaes e espalha a
cauda inferior encolhida das observaes. Valores p > 1 tornam uma distribuio assimtrica
inclinada esquerda mais simtrica, puxando as observaes de menores valores espalhadas e
espalhando as observaes mais elevadas encolhidas. A transformao logartmica colocada
na posio 0 da escada porque seu efeito sobre as observaes nulo.
A transformao p=-1 pode ser apropriada para varivel resposta que exprima tempo
da ocorrncia de um evento. O recproco do tempo pode ser interpretado como a razo em que
uma unidade chega ao evento. tentador atribuir o valor 0 a unidades para as quais o evento
nunca ocorre; entretanto, deve ser tomado cuidado j que o evento nunca foi observado.
Dependendo das circunstncias, a observao pode ser mais bem tratada como um membro de
um conjunto de observaes truncadas ou de observaes perdidas.
Estimao emprica da transformao potncia
Heterogeneidade de varincia implicada por relao entre desvio padro e mdia da

forma y mb usualmente decorre de efeitos diferenciais de tratamentos ou de algum
agrupamento das unidades tanto sobre a mdia como sobre a varincia. Ento, se so
disponveis estimativas da mdia e do desvio padro para os diferentes tratamentos ou
agrupamentos das unidades, pode-se derivar uma estimativa da potncia p da relao:
y = amb.
Essa relao no linear pode ser linearizada, por uma transformao logartmica, para a forma:
log y = log a + b log m,
ou seja:
w = A + b v,onde w = log y, A = log a e v = log m. O grfico desta relao uma
reta com interseo A = log a e declividade b.
Dessa forma, os parmetros a e b da relao y = amb entre y e m podem ser

estimados pela regresso linear de w = log y em relao a v = log m. Ento, a estimativa do
expoente p da transformao z = yp que estabiliza a varincia pode ser tomada como p = 1 b .
A representao grfica da relao entre o logaritmo do desvio padro e o logaritmo da
mdia para o Exemplo 8.9 apresentada na Figura 8.6.
Figura 8.6. Grfico dos nove pares de valores observados do logaritmo do

desvio padro e do logaritmo da mdia e segmento de reta
ajustado para expressar a relao linear entre log s y e log y .
A Tabela 8.13 apresenta o resultado do teste de significncia da relao linear entre

log s y e log y , ou seja, da hiptese H0: b=0.
Tabela 8.13. Anlise da variao para teste de significncia da relao

linear entre log s y e log y .
Fonte GL SQ QM F Prob,>F
Regresso 1 111,442 111,442 35,926 0,0005
Resduo 7 21,714 3,102
Total 8 133,157
A equao da reta de regresso ajustada :

log(s y ) = 0, 2567 + 0, 6959 log(y) .Sua representao grfica apresentada na
Figura 8.6. A estimativa da declividade dessa reta b = 0,6959 0,7; donde se obtm:
Ento, a transformao apropriada :
z = y0,3.
No presente exemplo, a distribuio da varivel resposta conhecida: distribuio de

Poisson. Para essa distribuio, a transformao apropriada a raiz quadrada. Ento, como h
alguns valores y=0, a transformao a efetuar : z = y + 3 / 8 .
Os dados da varivel resposta transformada z = y + 3 / 8 esto na Tabela 8.14.
Tabela 8.14. Dados transformados do Exemplo 8.9 - Raiz quadrada do

nmero de larvas vivas recolhidas mais 3/8.
Repeties
Tratamento m s2
1 2 3 4
1 3,062 3,518 0,612 1,173 2,091 1,415
2 2,092 2,894 2,318 1,173 2,119 0,716
3 2,525 3,921 2,525 1,541 2,628 0,979
4 3,062 2,525 2,092 2,318 2,499 0,415
5 5,232 4,168 3,221 3,221 3,961 0,958
6 5,948 5,327 1,541 3,921 4,184 1,955
7 1,173 0,612 0,612 0,612 0,752 0,280
8 3,221 0,612 1,541 1,173 1,637 1,123
9 2,092 3,221 3,921 2,318 2,889 0,844
Em geral, conveniente submeter os dados transformados a um teste de

homogeneidade da varincia entre tratamentos para verificar se o propsito da transformao
da varivel resposta foi bem sucedido.
Teste de Hartley
Tem-se:
1,955
Fmax = = 6,982 .
0,280
Esse valor observado Fmax = 6,982 menor que o valor da tabela Fmax(9;3;0,05) = 93,9; logo,
a hiptese de homogeneidade de varincia aceita.
Teste de Cochran
1,955
C= = 0, 2251 ;
8,685
Como esse valor C = 0,2861 menor que C(9;3;0,05) = 0,4775, a hiptese de homogeneidade
de varincia aceita.
Pode-se, ento, proceder anlise estatstica. Os resultados da anlise da variao da
varivel z = y + 3 / 8 so apresentados na Tabela 8.15.
Tabela 8.15. Anlise da variao dos dados transformados (Tabela 8.14) do

Fonte de variao GL SQ QM F Prob,>F

Tratamento 8 36,9628 4,620 3,98 0,0032
Erro 27 31,3162 1,160
Total 35 68,2790
Mdia geral: 2,53.

CV: 42,6%.
8.8 Exerccios
1. Os dados que seguem so os resultados de um experimento com quatro tratamentos com

delineamento completamente casualizado.
Repetio Estimativa
Tratamento Soma
1 2 3 4 5 Mdia Varincia
A 3 1 5 4 2 15 3 2,5
B 6 8 7 4 5 30 6 2,5
C 12 6 9 3 15 45 9 22,5
D 20 14 11 17 8 70 14 22,5
a) Efetue a anlise da variao, ignorando a possvel heterogeneidade de varincia entre os

tratamentos.
b) Verifique para os dados deste experimento que QMErro a mdia aritmtica das quatro
estimativas de varincias para os tratamentos.
c) Efetue as comparaes entre os tratamentos A e B e entre os tratamentos C e D, pelo
teste dms de Fisher (=0,05).
d) Efetue as mesmas comparaes entre tratamentos indicadas no item anterior pelo teste F
(=0,05), por duas anlises de variao separadas, uma para os tratamentos A e B e
outra para os tratamentos C e D.
e) Verifique que as concluses dos testes efetuados nos itens c) e d) so opostas. Discuta a
contradio entre essas concluses. Qual dos dois procedimentos de anlise o mais
apropriado? Por qu?
2. Considere os dados (peso de gros de trevo vermelho, em gramas por parcela) referentes ao
experimento para pesquisa do efeito do intracruzamento sobre a incidncia de trevo
vermelho de que trata o exerccio 3 da Seo 1.7.
a) Determine a estimativa da varincia do erro separadamente para cada tratamento.
b) Verifique que o QM Erro a mdia ponderada das estimativas das varincias

individuais para os quatro tratamentos cujos pesos so os graus de liberdades dessas
estimativas.
c) Efetue o teste de homogeneidade da varincia do erro experimental para os quatro
tratamentos, pela estatstica Fmax de Hartley e da estatstica C de Cochran.
3. Responda as mesmas questes formuladas no exerccio anterior para os dados do
experimento sobre o efeito de um fertilizante mineral sobre o desenvolvimento da planta da
ervilha considerado no exerccio 5 da Seo 1.8.
4. Decida se cada uma das seguintes sentenas verdadeira ou falsa, colocando, entre
parnteses, as letras V ou F, respectivamente. Se a sentena for falsa, explique por que.
( ) A transformao de dados pode ser utilizada como um procedimento alternativo
quando certas condies, como homogeneidade de varincia, independncia
estatstica e normalidade da distribuio dos erros, no se verifica no experimento.
( ) O experimentador no testa a homogeneidade de varincia a menos que ele tenha
razo para duvidar dessa usual pressuposio da anlise da variao.
( ) Quando em um experimento as mdias de tratamentos so relacionadas com as
correspondentes varincias, uma transformao apropriada dos dados pode resultar
em homogeneidade de varincia e ainda permitir uma heterogeneidade de mdias.
( ) Quando se usa uma transformao de dados previamente realizao de uma anlise
estatstica, a expresso das mdias de tratamentos nas concluses deve ser feita a
partir dos dados originais.
( ) Se o resultado de um teste de homogeneidade de varincia significativo quando
efetuado sobre os dados originais, uma transformao adequada deve resulta em no
significncia quando o teste for efetuado sobre os dados transformados.
( ) Uma transformao apropriada deve prover um teste F de potncia mais elevada do
que o efetuado com os dados originais que no satisfazem s pressuposies da
anlise da variao.
( ) Se os tamanhos de amostras so grandes, o experimentador deve, sempre, verificar a
normalidade antes da execuo de uma anlise da variao.
( ) A heterogeneidade de varincia mais provvel com um modelo de efeitos aleatrios,
em que os grupos so extrados aleatoriamente de uma populao grande, do que com
um modelo de efeitos fixos, em que os grupos so convenientemente escolhidos.
8.9 Bibliografia
BOX, G. E. P.; COX, D. R. An analysis of transformations. Journal of the Royal Statistical

Society, Series B, v. 26, p. 211-243, 1964.
BOX, G. E.
P.; HUNTER, W. G.; HUNTER, J. S. Statistics for experimenters: An introduction to
design, data analysis and model building. New York: John Wiley, 1978. 653p.
GILL, J. L. Design and analysis of experiments in the animal and medical sciences. Ames,
Iowa: Iowa State University, 1981. Volume 1. 410p.
GOMEZ, K. A.; GOMEZ, A. A. Statistical procedures for agricultural research; with
emphasis on rice. Los Baos, Philippines: The International Rice Research Institute, ,
1981. 294p.
GOMEZ, K. A.; GOMEZ, A. A. Statistical procedures for agricultural research. 2. ed. New
York: John Wiley, 1984. 680p.
KIRK, R.E. Experimental design: Procedures for the behavioral sciences. Belmont,
California: Brooks/Cole, 577p.
KUEL, R. O. Design of experiments; Statistical principles of research design and analysis.
2 ed. Pacific Grove, California: Duxbury, 2000. 666p.
MONTGOMERY, D.C. Design and Analysis of Experiments. 2nd edition. New York: John
Wiley & Sons. 1976. 538.
COCHRAN, W.G.. Some consequences when the assumptions for the analysis of variance are
not satisfied. Biometrics, v.3, n.1, p.22-38, 1947.
EISENHART, C. The assumptions underlying the analysis of variance. Biometrics, v.3, n.1,
p.1-21, 1947.
Apndice
Tabelas
Apndice - Tabelas 303
Tabela A1. Pontos percentuais superiores da distribuio F: Prob.[F(1,2) > FP].
1
2 P
1 2 3 4 5 6 7 8 9 10 11 12 15 20 24 30 40 60 120 Inf.
0,05 161,4 199,5 215,7 224,6 230,2 234,0 236,8 238,9 240,5 241,9 243,0 243,9 245,9 248,0 249,1 250,1 251,1 252,2 253,3 254,3
1 0,025 647,8 799,5 864,2 899,6 921,8 937,1 948,2 956,7 963,3 968,6 976,7 984,9 984,9 993,1 997,2 1001, 1006, 1010, 1014, 1018,
0,01 4052, 5000, 5403, 5625, 5764, 5859, 5928, 5982, 6022, 6056, 6082, 6106, 6157, 6209, 6235, 6261, 6287, 6313, 6339, 6366,
0,001 4053* 5000* 5404* 5625* 5764* 5859* 5929* 5981* 6023* 6056* 6084* 6107* 6158* 6209* 6235* 6261* 6287* 6313* 6340* 6366*
0,05 18,51 19,00 19,16 19,25 19,30 19,33 19,35 19,37 19,38 19,40 19,40 19,41 19,43 19,45 19,45 19,46 19,47 19,48 19,49 19,50
2 0,025 38,51 39,00 39,17 39,25 39,30 39,33 39,36 39,37 39,39 39,40 39,41 39,41 39,43 39,45 39,46 39,46 39,47 39,48 39,49 39,50
0,01 98,50 99,00 99,17 99,25 99,30 99,33 99,36 99,37 99,39 99,40 99,41 99,42 99,43 99,45 99,46 99,47 99,47 99,48 99,49 99,50
0,001 998,5 999,0 999,2 999,2 999,3 999,3 999,4 999,4 999,4 999,4 999,4 999,4 999,4 999,4 999,5 999,5 999,5 999,5 999,5 999,5
0,05 10,13 9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,81 8,79 8,76 8,74 8,70 8,66 8,64 8,62 8,59 8,57 8,55 8,53
3 0,025 17,44 16,04 15,44 15,10 14,88 14,73 14,62 14,54 14,47 14,42 14,34 14,25 39,43 14,17 14,12 14,08 14,04 13,99 13,95 13,90
0,01 34,12 30,82 29,46 28,71 28,24 27,91 27,67 27,49 27,35 27,23 27,13 27,05 26,87 26,69 26,60 26,50 26,41 26,32 26,22 26,13
0,001 167,0 148,5 141,1 137,1 134,6 132,8 131,6 130,6 129,9 129,2 128,8 128,3 127,4 126,4 125,9 125,4 125,0 124,5 124,0 123,5
0,05 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96 5,93 5,91 5,86 5,80 5,77 5,75 5,72 5,69 5,66 5,63
4 0,025 12,22 10,65 9,98 9,60 9,36 9,20 9,07 8,98 8,90 8,84 8,75 8,66 8,66 8,56 8,51 8,46 8,41 8,36 8,31 8,26
0,01 21,20 18,00 16,69 15,98 15,52 15,21 14,98 14,80 14,66 14,55 14,45 14,37 14,20 14,02 13,93 13,84 13,75 13,65 13,56 13,46
0,001 74,14 61,25 56,18 53,44 51,71 50,53 49,66 49,00 48,47 48,05 47,70 47,41 46,76 46,10 45,77 45,43 45,09 44,75 44,40 44,05
0,05 6,61 5,79 5,41 5,19 5,05 4,95 4,88 8,82 4,77 4,74 4,70 4,68 4,62 4,56 4,53 4,50 4,46 4,43 4,40 4,36
5 0,025 10,01 8,43 7,76 7,39 7,15 6,98 6,85 6,76 6,68 6,62 6,52 6,43 6,46 6,33 6,28 6,23 6,18 6,12 6,07 6,02
0,01 16,26 13,27 12,06 11,39 10,97 10,67 10,46 10,29 10,16 10,05 9,96 9,89 9,72 9,55 9,47 9,38 9,29 9,20 9,11 9,02
0,001 47,18 37,12 33,20 31,09 29,75 28,84 28,16 27,64 27,24 26,92 26,64 26,42 25,91 25,39 25,14 24,87 24,60 24,33 24,06 23,79
0,05 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06 4,03 4,00 3,94 3,87 3,84 3,81 3,77 3,74 3,70 3,67
6 0,025 8,81 7,26 6,60 6,23 5,99 5,82 5,70 5,60 5,52 5,46 5,37 5,27 5,27 5,17 5,12 5,07 5,01 4,96 4,90 4,85
0,01 13,75 10,92 9,78 9,15 8,75 8,47 8,26 8,10 7,98 7,87 7,79 7,72 7,56 7,40 7,31 7,23 7,14 7,06 6,97 6,88
0,001 35,51 27,00 23,70 21,92 20,81 20,03 19,46 19,03 18,69 18,41 18,18 17,99 17,56 17,12 16,89 16,67 16,44 16,21 15,99 15,75
0,05 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,64 6,60 3,57 3,51 3,44 3,41 3,38 3,34 3,30 3,27 3,23
7 0,025 8,07 6,54 5,89 5,52 5,29 5,12 4,99 4,90 4,82 4,76 4,67 4,57 3,51 4,47 4,42 4,36 4,31 4,25 4,20 4,14
0,01 12,25 9,55 8,45 7,85 4,46 7,19 6,99 6,84 6,72 6,62 6,54 6,47 6,31 6,16 6,07 5,99 5,91 5,82 5,74 5,65
0,001 29,25 21,69 18,77 17,19 16,21 15,52 15,02 14,63 14,33 14,08 13,88 13,71 13,32 12,93 12,73 12,53 12,33 12,12 11,91 11,70
0,05 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,35 3,31 3,28 3,22 3,15 3,12 3,08 3,04 3,01 2,97 2,93
8 0,025 7,57 6,06 5,42 5,05 4,82 4,65 4,53 4,43 4,36 4,30 4,20 4,10 4,10 4,00 3,95 3,89 3,84 3,78 3,73 3,67
0,01 11,26 8,65 7,59 7,01 6,63 6,37 6,18 6,03 5,91 5,81 5,74 5,67 5,52 5,36 5,28 5,20 5,12 5,03 4,95 4,86
0,001 25,42 18,49 15,83 14,39 13,49 12,86 12,40 12,04 11,77 11,54 11,35 11,19 10,84 10,48 10,30 10,11 9,92 9,73 9,53 9,33
0,05 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,14 3,10 3,07 3,01 2,94 2,90 2,86 2,83 2,79 2,75 2,71
9 0,025 7,21 5,71 5,08 4,72 4,48 4,32 4,20 4,10 4,03 3,96 3,87 3,77 3,77 3,67 3,61 3,56 3,51 3,45 3,39 3,33
0,01 10,56 8,02 6,99 6,42 6,06 5,80 5,61 5,47 5,35 5,26 5,18 5,11 4,96 4,81 4,73 4,65 4,57 4,48 4,40 4,31
0,001 22,86 16,39 13,90 12,56 11,71 11,13 10,70 10,37 10,11 9,89 9,72 9,57 9,24 8,90 8,72 8,55 8,37 8,19 8,00 7,81
0,05 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,98 2,94 2,91 2,85 2,77 2,74 2,70 2,66 2,62 2,58 2,54
10 0,025 6,94 5,46 4,83 4,47 4,24 4,07 3,95 3,85 3,78 3,72 3,62 3,52 3,52 3,42 3,37 3,31 3,26 3,20 3,14 3,08
0,01 10,04 7,56 6,55 5,99 5,64 5,39 5,20 5,06 4,94 4,85 4,78 4,71 4,56 4,41 4,33 4,25 4,17 4,08 4,00 3,91
0,001 21,04 14,91 12,55 11,28 10,48 9,92 9,52 9,20 8,96 8,75 8,59 8,45 8,13 7,80 7,64 7,47 7,30 7,12 6,94 6,76
0,05 4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,90 2,85 2,82 2,79 2,72 2,65 2,61 2,57 2,53 2,49 2,45 2,40
11 0,025 6,72 5,26 4,63 4,28 4,04 3,88 3,76 3,66 3,59 3,53 3,43 3,33 3,33 3,23 3,17 3,12 3,06 3,00 2,94 2,88
0,01 9,65 7,21 6,22 5,67 5,32 5,07 4,89 4,74 4,63 4,54 4,46 4,40 4,25 4,10 4,02 3,94 3,86 3,78 3,69 3,60
0,001 19,69 13,81 11,56 10,35 9,58 9,05 8,66 8,35 8,12 7,92 7,76 7,63 7,32 7,01 6,85 6,68 6,52 6,35 6,17 6,00
0,05 4,75 3,89 3,49 3,26 3,11 3,00 2,91 2,85 2,80 2,75 2,72 2,69 2,62 2,54 2,51 2,47 2,43 2,38 2,34 2,30
12 0,025 6,55 5,10 4,47 4,12 3,89 3,73 3,61 3,51 3,44 3,37 3,28 3,18 3,18 3,07 3,02 2,96 2,91 2,85 2,79 2,72
0,01 9,33 6,93 5,95 5,41 5,06 4,82 4,64 4,50 4,39 4,30 4,22 4,16 4,01 3,86 3,78 3,70 3,62 3,54 3,45 3,36
0,001 18,64 12,97 10,80 9,63 8,89 9,38 8,00 7,71 7,48 7,29 7,14 7,00 6,71 6,40 6,25 6,09 5,93 5,76 5,59 5,42
*
Estes valores devem ser multiplicados por 100.
Continua
Tabela A1. Pontos percentuais superiores da distribuio F: Prob.[F(1,2) > F].
Continuao
1
2 P
1 2 3 4 5 6 7 8 9 10 11 12 15 20 24 30 40 60 120 Inf.
0,05 4,67 3,81 3,41 3,18 3,03 2,92 2,83 2,77 2,71 2,67 2,63 2,60 2,53 2,46 2,42 2,38 2,34 2,30 2,25 2,21
13 0,025 6,41 4,97 4,35 4,00 3,77 3,60 3,48 3,39 3,31 3,25 3,15 3,05 3,05 2,95 2,89 2,84 2,78 2,72 2,66 2,60
0,01 9,07 6,70 5,74 5,21 4,86 4,62 4,44 4,30 4,19 4,10 4,02 3,96 3,82 3,66 3,59 3,51 3,43 3,34 3,25 3,17
0,001 17,81 12,31 10,21 9,07 8,35 7,86 7,49 7,21 6,98 6,80 6,65 6,52 6,23 5,93 5,78 5,63 5,47 5,30 5,14 4,97
0,05 4,60 3,74 3,34 3,11 2,96 2,85 2,76 2,70 2,65 2,60 2,56 2,53 2,46 2,39 2,35 2,31 2,27 2,22 2,18 2,13
14 0,025 6,30 4,86 4,24 3,89 3,66 3,50 3,38 3,29 3,21 3,15 3,05 2,95 2,95 2,84 2,79 2,73 2,67 2,61 2,55 2,49
0,01 8,86 6,51 5,56 5,04 4,69 4,46 4,28 4,14 4,03 3,94 3,86 3,80 3,66 3,51 3,43 3,35 3,27 3,18 3,09 3,00
0,001 17,14 11,78 9,73 8,62 7,92 7,43 7,08 6,80 6,58 6,40 6,26 6,13 5,85 5,56 5,41 5,25 5,10 4,94 4,77 4,60
0,05 4,54 3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,59 2,54 2,51 2,48 2,40 2,33 2,29 2,25 2,20 2,16 2,11 2,07
15 0,025 6,20 4,77 4,15 3,80 3,58 3,41 3,29 3,20 3,12 3,06 2,96 2,86 2,86 2,76 2,70 2,64 2,59 2,52 2,46 2,40
0,01 8,68 6,36 5,42 4,89 4,56 4,32 4,14 4,00 3,89 3,80 3,73 3,67 3,52 3,37 3,29 3,21 3,13 3,05 2,96 2,87
0,001 16,59 11,34 9,34 8,25 7,57 7,09 6,74 6,47 6,26 6,08 5,94 5,81 5,54 5,25 5,10 4,95 4,80 4,64 4,47 4,31
0,05 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54 2,49 2,45 2,42 2,35 2,28 2,24 2,19 2,15 2,11 2,06 2,01
16 0,025 6,12 4,69 4,08 3,73 3,50 3,34 3,22 3,12 3,05 2,99 2,89 2,79 2,79 2,68 2,63 2,57 2,51 2,45 2,38 2,32
0,01 8,53 6,23 5,29 4,77 4,44 4,20 4,03 3,89 3,78 3,69 3,61 3,55 3,41 3,26 3,18 3,10 3,02 2,93 2,84 2,75
0,001 16,12 10,97 9,00 7,94 7,27 6,81 6,46 6,19 5,98 5,81 5,67 5,55 5,27 4,99 4,85 4,70 4,54 4,39 4,23 4,06
0,05 4,45 3,59 3,20 2,96 2,81 2,70 2,61 2,55 2,49 2,45 2,41 2,38 2,31 2,23 2,19 2,15 2,10 2,06 2,01 1,96
17 0,025 6,04 4,62 4,01 3,66 3,44 3,28 3,16 3,06 2,98 2,92 2,82 2,72 2,72 2,62 2,56 2,50 2,44 2,38 2,32 2,25
0,01 8,40 6,11 5,18 4,67 4,34 4,10 3,93 3,79 3,68 3,59 3,52 3,46 3,31 3,16 3,08 3,00 2,92 2,83 2,75 2,65
0,001 15,72 10,66 8,73 7,68 7,02 6,56 6,22 5,96 5,75 5,58 5,44 5,32 5,05 4,78 4,63 4,48 4,33 4,18 4,02 3,85
0,05 4,41 3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,46 2,41 2,37 2,34 2,27 2,19 2,15 2,11 2,06 2,02 1,97 1,92
18 0,025 5,98 4,56 3,95 3,61 3,38 3,22 3,10 3,01 2,93 2,87 2,77 2,67 2,67 2,56 2,50 2,44 2,38 2,32 2,26 2,19
0,01 8,29 6,01 5,09 4,58 4,25 4,01 3,84 3,71 3,60 3,51 3,44 3,37 3,23 3,08 3,00 2,92 2,84 2,75 2,66 2,57
0,001 15,38 10,39 8,49 7,46 6,81 6,35 6,02 5,76 5,56 5,39 5,25 5,13 4,87 4,59 4,45 4,30 4,15 4,00 3,84 3,67
0,05 4,38 3,52 3,13 2,90 2,74 2,63 2,54 2,48 2,42 2,38 2,34 2,31 2,23 2,16 2,11 2,07 2,03 1,98 1,93 1,88
19 0,025 5,92 4,51 3,90 3,36 3,33 3,17 3,05 2,96 2,88 2,82 2,72 2,62 2,62 2,51 2,45 2,39 2,33 2,27 2,20 2,13
0,01 8,18 5,93 5,01 4,50 4,17 3,94 3,77 3,63 3,52 3,43 3,36 3,30 3,15 3,00 2,92 2,84 2,76 2,67 2,58 2,49
0,001 15,08 10,16 8,28 7,26 6,62 6,18 5,85 5,59 5,39 5,22 5,08 4,97 4,70 4,43 4,29 4,14 3,99 3,84 3,68 3,51
0,05 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39 2,35 2,31 2,28 2,20 2,12 2,08 2,04 1,99 1,95 1,90 1,84
20 0,025 5,87 4,46 3,86 3,51 3,29 3,13 3,01 2,91 2,84 2,77 2,68 2,57 2,57 2,46 2,41 2,35 2,29 2,22 2,16 2,09
0,01 8,10 5,85 4,94 4,43 4,10 3,87 3,70 3,56 3,46 3,37 3,30 3,23 3,09 2,94 2,86 2,78 2,69 2,61 2,52 2,42
0,001 14,82 9,95 8,10 7,10 6,46 6,02 5,69 5,44 5,24 5,08 4,94 4,82 4,56 4,29 4,15 4,00 3,86 3,70 3,54 3,38
0,05 4,32 3,47 3,07 2,84 2,68 2,57 2,49 2,42 2,37 2,32 2,28 2,25 2,18 2,10 2,05 2,01 1,96 1,92 1,87 1,81
21 0,025 5,83 4,42 3,82 3,48 3,25 3,09 2,97 2,87 2,80 2,73 2,64 2,53 2,53 2,42 2,37 2,31 2,25 2,18 2,11 2,04
0,01 8,02 5,78 4,87 4,37 4,04 3,81 3,64 3,51 3,40 3,31 3,24 3,17 3,03 2,88 2,80 2,72 2,64 2,55 2,46 2,36
0,001 14,59 9,77 7,94 6,95 6,32 5,88 5,56 5,31 5,11 4,95 4,81 4,70 4,44 4,17 4,03 3,88 3,74 3,58 3,42 3,26
0,05 4,30 3,44 3,05 2,82 2,66 2,55 2,46 2,40 2,34 2,30 2,26 2,23 2,15 2,07 2,03 1,98 1,94 1,89 1,84 1,78
22 0,025 5,79 4,38 3,78 3,44 3,22 3,05 2,93 2,84 2,76 2,70 2,60 2,50 2,50 2,39 2,33 2,27 2,21 2,14 2,08 2,00
0,01 7,95 5,72 4,82 4,31 3,99 3,76 3,59 3,45 3,35 3,26 3,18 3,12 2,98 2,83 2,75 2,67 2,58 2,50 2,40 2,31
0,001 14,38 9,61 7,80 6,81 6,19 5,76 5,44 5,19 4,99 4,83 4,70 4,58 4,33 4,06 3,92 3,78 3,63 3,48 3,32 3,15
0,05 4,28 3,42 3,03 2,80 2,64 2,53 2,44 2,37 2,32 2,27 2,24 2,20 2,13 2,05 2,01 1,96 1,91 1,86 1,81 1,76
23 0,025 5,75 4,35 3,75 3,41 3,18 3,02 2,90 2,81 2,73 2,67 2,57 2,47 2,47 2,36 2,30 2,24 2,18 2,11 2,04 1,97
0,01 7,88 5,66 4,76 4,26 3,94 9,71 3,54 3,41 3,30 3,21 3,14 3,07 2,93 2,78 2,70 2,62 2,54 2,45 2,35 2,26
0,001 14,19 9,47 7,67 6,69 6,08 5,65 5,33 5,09 4,89 4,73 4,60 4,48 4,23 3,96 3,82 3,68 3,53 3,38 3,22 3,05
0,05 4,26 3,40 3,01 2,78 2,62 2,51 2,42 2,36 2,30 2,25 2,22 2,18 2,11 2,03 1,98 1,94 1,89 1,84 1,79 1,73
24 0,025 5,72 4,32 3,72 3,38 3,15 2,99 2,87 2,78 2,70 2,64 2,54 2,44 2,44 2,33 2,27 2,21 2,15 2,08 2,01 1,94
0,01 7,82 5,61 4,72 4,22 3,90 3,67 3,50 3,36 3,26 3,17 3,09 3,03 2,89 2,74 2,66 2,58 2,49 2,40 2,31 2,21
0,001 14,03 9,34 7,55 6,59 5,98 5,55 5,23 4,99 4,80 4,64 4,51 4,39 4,14 3,87 3,74 3,59 3,45 3,29 3,14 2,97
Continua
Tabela A1. Pontos percentuais superiores da distribuio F: Prob.[F(1,2) > F].
Continuao
1
2 P
1 2 3 4 5 6 7 8 9 10 11 12 15 20 24 30 40 60 120 Inf.
0,05 4,24 3,39 2,99 2,76 2,60 2,49 2,40 2,34 2,28 2,24 2,20 2,16 2,09 2,01 1,96 1,92 1,87 1,82 1,77 1,71
25 0,025 5,69 4,29 3,69 3,35 3,13 2,97 2,85 2,75 2,68 2,61 2,51 2,41 2,41 2,30 2,24 2,18 2,12 2,05 1,98 1,91
0,01 7,77 5,57 4,68 4,18 3,85 3,63 3,46 3,32 3,22 3,13 3,05 2,99 2,85 2,70 2,62 2,54 2,45 2,36 2,27 2,17
0,001 13,88 9,22 7,45 6,49 5,88 5,46 5,15 4,91 4,71 4,56 4,42 4,31 4,06 3,79 3,66 3,52 3,37 3,22 3,06 2,89
0,05 4,23 3,37 2,98 2,74 2,59 2,47 2,39 2,32 2,27 2,22 2,18 2,15 2,07 1,99 1,95 1,90 1,85 1,80 1,75 1,69
26 0,025 5,66 4,27 3,67 3,33 3,10 2,94 2,82 2,73 2,65 2,59 2,49 2,39 2,39 2,28 2,22 2,16 2,09 2,03 1,95 1,88
0,01 7,72 5,53 4,64 4,14 3,82 3,59 3,42 3,29 3,18 3,09 3,02 2,96 2,81 2,66 2,58 2,50 2,42 2,33 2,23 2,13
0,001 13,74 9,12 7,36 6,41 5,80 5,38 5,07 4,83 4,64 4,48 4,35 4,24 3,99 3,72 3,59 3,44 3,30 3,15 2,99 2,82
0,05 4,21 3,35 2,96 2,73 2,57 2,46 2,37 2,31 2,25 2,20 2,16 2,13 2,06 1,97 1,93 1,88 1,84 1,79 1,73 1,67
27 0,025 5,63 4,24 3,65 3,31 3,08 2,92 2,80 2,71 2,63 2,57 2,47 2,36 2,36 2,25 2,19 2,13 2,07 2,00 1,93 1,85
0,01 7,68 5,49 4,60 4,11 3,78 3,56 3,39 3,26 3,15 3,06 2,98 2,93 2,78 2,63 2,55 2,47 2,38 2,29 2,20 2,10
0,001 13,61 9,02 7,27 6,33 5,73 5,31 5,00 4,76 4,57 4,41 4,28 4,17 3,92 3,66 3,52 3,38 3,23 3,08 2,92 2,75
0,05 4,20 3,34 2,95 2,71 2,56 2,45 2,36 2,29 2,24 2,19 2,15 2,12 2,04 1,96 1,91 1,87 1,82 1,77 1,71 1,65
28 0,025 5,61 4,22 3,63 3,29 3,06 2,90 2,78 2,69 2,61 2,55 2,45 2,34 2,34 2,23 2,17 2,11 2,05 1,98 1,91 1,83
0,01 7,64 5,45 4,57 4,07 3,75 3,53 3,36 3,23 3,12 3,03 2,95 2,90 2,75 2,60 2,52 2,44 2,35 2,26 2,17 2,06
0,001 13,50 8,93 7,19 6,25 5,66 5,24 4,93 4,69 4,50 4,35 4,22 4,11 3,86 3,60 3,46 3,32 3,18 3,02 2,86 2,69
0,05 4,18 3,33 2,93 2,70 2,55 2,43 2,35 2,28 2,22 2,18 2,14 2,10 2,03 1,94 1,90 1,85 1,81 1,75 1,70 1,64
29 0,025 5,59 4,20 3,61 3,27 3,04 2,88 2,76 2,67 2,59 2,53 2,43 2,32 2,32 2,21 2,15 2,09 2,03 1,96 1,89 1,81
0,01 7,60 5,42 4,54 4,04 3,73 3,50 3,33 3,20 3,09 3,00 2,92 2,87 2,73 2,57 2,49 2,41 2,33 2,23 2,14 2,03
0,001 13,39 8,85 7,12 6,19 5,59 5,18 4,87 4,64 4,45 4,29 4,16 4,05 3,80 3,54 3,41 3,27 3,12 2,97 2,81 2,64
0,05 4,17 3,32 2,92 2,69 2,53 2,42 2,33 2,27 2,21 2,16 2,12 2,09 2,01 1,93 1,89 1,84 1,79 1,74 1,68 1,62
30 0,025 5,57 4,18 3,59 3,25 3,03 2,87 2,75 2,65 2,57 2,51 2,41 2,31 2,31 2,20 2,14 2,07 2,01 1,94 1,87 1,79
0,01 7,56 5,39 4,51 4,02 3,70 3,47 3,30 3,17 3,07 2,98 2,90 2,84 2,70 2,55 2,47 2,39 2,30 2,21 2,11 2,01
0,001 13,29 8,77 7,05 6,12 5,53 5,12 4,82 4,58 4,39 4,24 4,11 4,00 3,75 3,49 3,36 3,22 3,07 2,92 2,76 2,59
0,05 4,08 3,23 2,84 2,61 2,45 2,34 2,25 2,18 2,12 2,08 2,04 2,00 1,92 1,84 1,79 1,74 1,69 1,64 1,58 1,51
40 0,025 5,42 4,05 3,46 3,13 2,90 2,74 2,62 2,53 2,45 2,39 2,29 2,18 2,18 2,07 2,01 1,94 1,88 1,80 1,72 1,64
0,01 7,31 5,18 4,31 3,83 3,51 3,29 3,12 2,99 2,89 2,80 2,73 2,66 2,52 2,37 2,29 2,20 2,11 2,02 1,92 1,80
0,001 12,61 8,25 6,60 5,70 5,13 4,73 4,44 4,21 4,02 3,87 3,75 3,64 3,40 3,15 3,01 2,87 2,73 2,57 2,41 2,23
0,05 4,00 3,15 2,76 2,53 2,37 2,25 2,17 2,10 2,04 1,99 1,95 1,92 1,84 1,75 1,70 1,65 1,59 1,53 1,47 1,39
60 0,025 5,29 3,93 3,34 3,01 2,79 2,63 2,51 2,41 2,33 2,27 2,17 2,06 2,06 1,94 1,88 1,82 1,74 1,67 1,58 1,48
0,01 7,08 4,98 4,13 3,65 3,34 3,12 2,95 2,82 2,72 2,63 2,56 2,50 2,35 2,20 2,12 2,03 1,94 1,84 1,73 1,60
0,001 11,97 7,76 6,17 5,31 4,76 4,37 4,09 3,87 3,69 3,54 3,42 3,31 3,08 2,83 2,69 2,55 2,41 2,25 2,08 1,89
0,05 3,92 3,07 2,68 2,45 2,29 2,17 2,09 2,02 1,96 1,91 1,86 1,83 1,75 1,66 1,61 1,55 1,50 1,43 1,35 1,25
120 0,025 5,15 3,80 3,23 2,89 2,67 2,52 2,39 2,30 2,22 2,16 2,05 1,94 1,94 1,82 1,76 1,69 1,61 1,53 1,43 1,31
0,01 6,85 4,79 3,95 3,48 3,17 2,96 2,79 2,66 2,56 2,47 2,40 2,34 2,19 2,03 1,95 1,86 1,76 1,66 1,53 1,38
0,001 11,38 7,32 5,79 4,95 4,42 4,04 3,77 3,55 3,38 3,24 3,12 3,02 2,78 2,53 2,40 2,26 2,11 1,95 1,76 1,54
0,05 3,84 3,00 2,60 2,37 2,21 2,10 2,01 1,94 1,88 1,83 1,79 1,75 1,67 1,57 1,52 1,46 1,39 1,32 1,22 1,00
Inf. 0,025 5,02 3,69 3,12 2,79 2,57 2,41 2,29 2,19 2,11 2,05 1,94 1,83 1,83 1,71 1,64 1,57 1,48 1,39 1,27 1,00
0,01 6,63 4,61 3,78 3,32 3,02 2,80 2,64 2,51 2,41 2,32 2,24 2,18 2,04 1,88 1,79 1,70 1,59 1,47 1,32 1,00
0,001 10,83 6,91 5,42 4,62 4,10 3,74 3,47 3,27 3,10 2,96 2,84 2,74 2,51 2,27 2,13 1,99 1,84 1,66 1,45 1,00
Tabela A2. Pontos percentuais da distribuio t (de Student).
Pontos bilaterais superiores: Prob.(|t| > tP)

0,50 0,40 0,30 0,20 0,10 0,05 0,02 0,01 0,001
1 1,000 1,376 1,963 3,078 6,314 12,706 31,821 63,657 636,619
2 0,816 1,061 1,386 1,886 2,920 4,303 6,965 9,925 31,598
3 0,765 0,978 1,250 1,638 2,353 3,182 4,541 5,841 12,941
4 0,741 0,941 1,190 1,533 2,132 2,776 3,747 4,604 8,610
5 0,727 0,920 1,156 1,476 2,015 2,571 3,365 4,032 6,859
6 0,718 0,906 1,134 1,440 1,943 2,447 3,143 3,707 5,959
7 0,711 0,896 1,119 1,415 1,895 2,365 2,998 3,499 5,405
8 0,706 0,889 1,108 1,397 1,860 2,306 2,896 3,355 5,041
9 0,703 0,883 1,100 1,383 1,833 2,262 2,821 3,250 4,781
10 0,700 0,879 1,093 1,372 1,812 2,228 2,764 3,169 4,587
11 0,697 0,876 1,088 1,363 1,796 2,201 2,718 3,106 4,437
12 0,695 0,873 1,083 1,356 1,782 2,179 2,681 3,055 4,318
13 0,694 0,870 1,079 1,350 1,771 2,160 2,650 3,012 4,221
14 0,692 0,868 1,076 1,345 1,761 2,145 2,624 2,977 4,140
15 0,691 0,866 1,074 1,341 1,753 2,131 2,602 2,947 4,073
16 0,690 0,865 1,071 1,337 1,746 2,120 2,583 2,921 4,015
17 0,689 0,863 1,069 1,333 1,740 2,110 2,567 2,898 3,965
18 0,688 0,862 1,067 1,330 1,734 2,101 2,552 2,878 3,922
19 0,688 0,861 1,066 1,328 1,729 2,093 2,539 2,861 3,883
20 0,687 0,860 1,064 1,325 1,725 2,086 2,528 2,845 3,850
21 0,686 0,859 1,063 1,323 1,721 2,080 2,518 2,831 3,819
22 0,686 0,858 1,061 1,321 1,717 2,074 2,508 2,819 3,792
23 0,685 0,858 1,060 1,319 1,714 2,069 2,500 2,807 3,767
24 0,685 0,857 1,059 1,318 1,711 2,064 2,492 2,797 3,745
25 0,684 0,856 1,058 1,316 1,708 2,060 2,485 2,787 3,725
26 0,684 0,856 1,058 1,315 1,706 2,056 2,479 2,779 3,707
27 0,684 0,855 1,057 1,314 1,703 2,052 2,473 2,771 3,690
28 0,683 0,855 1,056 1,313 1,701 2,048 2,467 2,763 3,674
29 0,683 0,854 1,055 1,311 1,699 2,045 2,462 2,756 3,659
30 0,683 0,854 1,055 1,310 1,697 2,042 2,457 2,750 3,646
35 0,682 0,852 1,052 1,306 1,690 2,030 2,438 2,724 3,591
40 0,681 0,851 1,050 1,303 1,684 2,021 2,423 2,704 3,551
45 0,680 0,850 1,048 1,301 1,680 2,014 2,412 2,690 3,520
50 0,680 0,849 1,047 1,299 1,676 2,008 2,403 2,678 3,496
55 0,679 0,849 1,047 1,297 1,673 2,004 2,396 2,669 3,476
60 0,679 0,848 1,046 1,296 1,671 2,000 2,390 2,660 3,460
70 0,678 0,847 1,045 1,294 1,667 1,994 2,381 2,648 3,435
80 0,678 0,847 1,044 1,293 1,665 1,989 2,374 2,638 3,416
90 0,678 0,846 1,043 1,291 1,662 1,986 2,369 2,631 3,402
100 0,677 0,846 1,042 1,290 1,661 1,982 2,365 2,625 3,390
120 0,677 0,845 1,041 1,289 1,658 1,980 2,358 2,617 3,373
200 0,676 0,844 1,039 1,286 1,653 1,972 2,345 2,601 3,340
500 0,676 0,843 1,037 1,284 1,648 1,965 2,334 2,586 3,310
1000 0,675 0,842 1,037 1,283 1,647 1,962 2,330 2,581 3,301
Inf. 0,674 0,842 1,036 1,282 1,645 1,960 2,326 2,576 3,291
0,25 0,20 0,15 0,10 0,05 0,025 0,01 0,005 0,0005

Pontos unilaterais superiores: Prob.(t > tP)
Tabela A3. Pontos percentuais da distribuio da amplitude estudentizada para o teste

deTukey.
t: nmero de tratamentos
P
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
1 0,05 18,1 26,7 32,8 37,2 40,5 43,1 45,4 47,3 49,1 50,6 51,9 53,2 54,3 55,4 56,3 57,2 58,0 58,8 59,6
0,01 90,0 135 164 186 202 216 227 237 246 253 260 266 272 227 282 286 290 294 198
2 0,05 6,09 8,28 9,80 10,89 11,73 12,43 13,03 13,54 13,99 14,39 14,75 15,08 15,38 15,65 15,91 16,14 16,36 16,57 16,77
0,01 14,0 19,0 22,3 24,7 26,6 28,2 29,5 30,7 31,7 32,6 33,4 34,1 34,8 35,4 36,0 36,5 37,0 37,5 37,9
3 0,05 4,50 5,88 6,83 7,51 8,04 8,47 8,85 9,18 9,46 9,72 9,95 10,16 10,35 10,52 10,69 10,84 10,98 11,12 11,24
0,01 8,26 10,6 12,2 13,3 14,2 15,0 15,6 16,2 16,7 17,1 17,5 17,9 18,2 18,5 18,8 19,1 19,3 19,5 19,8
4 0,05 3,93 5,00 5,76 6,31 3,73 7,06 7,35 7,60 7,83 8,03 8,21 8,37 8,52 8,67 8,80 8,92 9,03 9,14 9,24
0,01 6,51 8,12 9,17 9,96 10,6 11,1 11,5 11,9 12,3 12,6 12,8 13,1 13,3 13,5 13,7 13,9 14,1 14,2 14,4
5 0,05 3,64 4,60 5,22 5,67 6,03 6,33 6,58 6,80 6,99 7,17 7,32 7,47 7,60 7,72 7,83 7,93 8,03 8,12 8,21
0,01 5,70 6,97 7,80 8,42 8,91 9,32 9,67 9,97 10,24 10,48 10,70 10,89 11,08 11,24 11,40 11,55 11,68 11,81 11,93
6 0,05 3,46 4,34 4,90 5,31 5,63 5,89 6,12 6,32 6,49 6,65 6,79 6,92 7,03 7,14 7,24 7,34 7,43 7,51 7,59
0,01 5,24 6,33 7,03 7,56 7,97 8,32 8,61 8,87 9,10 9,30 9,49 9,65 9,81 9,95 10,08 10,21 10,32 10,43 10,54
7 0,05 3,34 4,16 4,68 5,06 5,36 5,61 5,82 6,00 6,16 6,30 6,43 6,55 6,66 6,76 6,85 6,94 7,02 7,09 7,17
0,01 4,95 5,92 6,54 7,01 7,37 7,68 7,94 8,17 8,37 8,55 8,71 8,86 9,00 9,12 9,24 9,35 9,46 9,55 9,65
8 0,05 3,26 4,04 4,53 4,89 5,17 5,40 5,60 5,77 5,92 6,05 6,18 6,29 6,39 6,48 6,57 6,65 6,73 6,80 6,87
0,01 4,74 5,63 6,20 6,63 6,96 7,24 7,47 7,68 7,87 8,03 8,18 8,31 8,44 8,55 8,66 8,76 8,85 8,94 9,03
9 0,05 3,20 3,95 4,42 4,76 5,02 5,24 5,43 5,60 5,74 5,87 5,98 6,09 6,19 6,28 6,36 6,44 6,51 6,58 6,64
0,01 4,60 5,43 5,96 6,35 6,66 6,91 7,13 7,32 7,49 7,65 7,78 7,91 8,03 8,13 8,23 8,32 8,41 8,49 8,57
10 0,05 3,15 3,88 4,33 4,65 4,91 5,12 5,30 5,46 5,60 5,72 5,83 5,93 6,03 6,11 6,20 6,27 6,34 6,40 6,47
0,01 4,48 5,27 5,77 6,14 6,43 6,67 6,87 7,05 7,21 7,36 7,48 7,60 7,71 7,81 7,91 7,99 8,07 8,15 8,22
11 0,05 3,11 3,82 4,26 4,57 4,82 5,03 5,20 5,35 5,49 5,61 5,71 5,81 5,90 5,99 6,06 6,14 6,20 6,26 6,33
0,01 4,39 5,14 5,62 5,97 6,25 6,48 6,67 6,84 6,99 7,13 7,25 7,36 7,46 7,56 7,65 7,73 7,81 7,88 7,95
12 0,05 3,08 3,77 4,20 4,51 4,75 4,95 5,12 5,27 5,40 5,51 5,62 5,71 5,80 5,88 5,95 6,03 6,09 6,15 6,21
0,01 4,32 5,04 5,50 5,84 6,10 6,32 6,51 6,67 6,81 6,94 7,06 7,17 7,26 7,36 7,44 7,52 7,59 7,66 7,73
13 0,05 3,06 3,73 4,15 4,45 4,69 4,88 5,05 5,19 5,32 5,43 5,53 5,63 5,71 5,79 5,86 5,93 6,00 6,05 6,11
0,01 4,26 4,96 5,40 5,73 5,98 6,19 6,37 6,53 6,67 6,79 6,90 7,01 7,10 7,19 7,27 7,34 7,42 7,48 7,55
14 0,05 3,03 3,70 4,11 4,41 4,64 4,83 4,99 5,13 5,25 5,36 5,46 5,55 5,64 5,72 5,79 5,85 5,92 5,97 6,03
0,01 4,21 4,89 5,32 5,63 5,88 6,08 6,26 6,41 6,54 6,66 6,77 6,87 6,96 7,05 7,12 7,20 7,27 7,33 7,39
15 0,05 3,01 3,67 4,08 4,37 4,60 4,78 4,94 5,08 5,20 5,31 5,40 5,49 5,58 5,65 5,72 5,79 5,85 5,90 5,96
0,01 4,17 4,83 5,25 5,56 5,80 5,99 6,16 6,31 6,44 6,55 6,66 6,76 6,84 6,93 7,00 7,07 7,14 7,20 7,26
Continua
Tabela A3. Pontos percentuais da distribuio da amplitude estudentizada para o teste

deTukey.
Continuao
t: nmero de tratamentos
P
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
16 0,05 3,00 3,65 4,05 4,33 4,56 4,74 4,90 5,03 5,15 5,26 5,35 5,44 5,52 5,59 5,66 5,72 5,79 5,84 5,90
0,01 4,13 4,78 5,19 5,49 5,72 5,92 6,08 6,22 6,35 6,46 6,56 6,66 6,74 6,82 6,90 6,97 7,03 7,09 7,15
17 0,05 2,98 3,63 4,02 4,30 4,52 4,71 4,86 4,99 5,11 5,21 5,31 5,39 5,47 5,55 5,61 5,68 5,74 5,79 5,84
0,01 4,10 4,74 5,14 5,43 5,66 5,85 6,01 6,15 6,27 6,38 6,48 6,57 6,66 6,73 6,80 6,87 6,94 7,00 7,05
18 0,05 2,97 3,61 4,00 4,28 4,49 4,67 4,82 4,96 5,07 5,17 5,27 5,35 5,43 5,50 5,57 5,63 5,69 5,74 5,79
0,01 4,07 4,70 5,09 5,38 5,60 5,79 5,94 6,08 6,20 6,31 6,41 6,50 6,58 6,65 6,72 6,79 6,85 6,91 6,96
19 0,05 2,96 3,59 3,98 4,25 4,47 4,65 4,79 4,92 5,04 5,14 5,23 5,32 5,39 5,46 5,53 5,59 5,65 5,70 5,75
0,01 4,05 4,67 5,05 5,33 5,55 5,73 5,89 6,02 6,14 6,25 6,34 6,43 6,51 6,58 6,65 6,72 6,78 6,84 6,89
20 0,05 2,95 3,58 3,96 4,23 4,45 4,62 4,77 4,90 5,01 5,11 5,20 5,28 5,36 5,43 5,49 5,55 5,61 5,66 5,71
0,01 4,02 4,64 5,02 5,29 5,51 5,69 5,84 5,97 6,09 6,19 6,29 6,37 6,45 6,52 6,59 6,65 6,71 6,76 6,82
24 0,05 2,92 3,53 3,90 4,17 4,37 4,54 4,68 4,81 4,92 5,01 5,10 5,18 5,25 5,32 5,38 5,44 5,50 5,54 5,59
0,01 3,96 4,54 4,91 5,17 5,37 5,54 5,69 5,81 5,92 6,02 6,11 6,19 6,26 6,33 6,39 6,45 6,51 6,56 6,61
30 0,05 2,89 3,49 3,84 4,10 4,30 4,46 4,60 4,72 4,83 4,92 5,00 5,08 5,15 5,21 5,27 5,33 5,38 5,43 5,48
0,01 3,89 4,45 4,80 5,05 5,24 5,40 5,54 5,65 5,76 5,85 5,93 6,01 6,08 6,14 6,20 6,26 6,31 6,36 6,41
40 0,05 2,86 3,44 3,79 4,04 4,23 4,39 4,52 4,63 4,74 4,82 4,91 4,98 5,05 5,11 5,16 5,22 5,27 5,31 5,36
0,01 3,82 4,37 4,70 4,93 5,11 5,27 5,39 5,50 5,60 5,69 5,77 5,84 5,90 5,96 6,02 6,07 6,12 6,17 6,21
60 0,05 2,83 3,40 3,74 3,98 4,16 4,31 4,44 4,55 4,65 4,73 4,81 4,88 4,94 5,00 5,06 5,11 5,16 5,20 5,24
0,01 3,76 4,28 4,60 4,82 4,99 5,13 5,25 5,36 5,45 5,53 5,60 5,67 5,73 5,79 5,84 5,89 5,93 5,98 6,02
120 0,05 2,80 3,36 3,69 3,92 4,10 4,24 4,36 4,48 4,56 4,64 4,72 4,78 4,84 4,90 4,95 5,00 5,05 5,09 5,13
0,01 3,70 4,20 4,50 4,71 4,87 5,01 5,12 5,21 5,30 5,38 5,44 5,51 5,56 5,61 5,66 5,71 5,75 5,79 5,83
Inf. 0,05 2,77 3,31 3,63 3,86 4,03 4,17 4,29 4,39 4,47 4,55 4,62 4,68 4,74 4,80 4,85 4,89 4,93 4,97 5,01
0,01 3,64 4,12 4,40 4,60 4,76 4,88 4,99 5,08 5,16 5,23 5,29 5,35 5,40 5,45 5,49 5,54 5,57 5,61 5,65
Tabela A4. Pontos percentuais da distribuio da amplitude estudentizada para o

teste de Duncan.
a: nmero de tratamentos para a amplitude considerada

P
2 3 4 5 6 7 8 9 10 12 14 16 18 20
1 0,05 18,0 18,0 18,0 18,0 18,0 18,0 18,0 18,0 18,0 18,0 18,0 18,0 18,0 18,0
0,01 90,0 90,0 90,0 90,0 90,0 90,0 90,0 90,0 90,0 90,0 90,0 90,0 90,0 90,0
2 0,05 6,09 6,09 6,09 6,09 6,09 6,09 6,09 6,09 6,09 6,09 6,09 6,09 6,09 6,09
0,01 14,0 14,0 14,0 14,0 14,0 14,0 14,0 14,0 14,0 14,0 14,0 14,0 14,0 14,0
3 0,05 4,50 4,50 4,50 4,50 4,50 4,50 4,50 4,50 4,50 4,50 4,50 4,50 4,50 4,50
0,01 8,26 8,5 8,6 8,7 8,8 8,9 8,9 9,0 9,0 9,0 9,1 9,2 9,3 9,3
4 0,05 3,93 4,01 4,02 4,02 4,02 4,02 4,02 4,02 4,02 4,02 4,02 4,02 4,02 4,02
0,01 6,51 6,8 6,9 7,0 7,1 7,1 7,2 7,2 7,3 7,3 7,4 7,4 7,5 7,5
5 0,05 3,64 3,74 3,79 3,83 3,83 3,83 3,83 3,83 3,83 3,83 3,83 3,83 3,83 3,83
0,01 5,70 5,96 6,11 6,18 6,26 6,33 6,40 6,44 6,5 6,6 6,6 6,7 6,7 6,8
6 0,05 3,46 3,58 3,64 3,68 3,68 3,68 3,68 3,68 3,68 3,68 3,68 3,68 3,68 3,68
0,01 5,24 5,51 5,65 5,73 5,81 5,88 5,95 6,00 6,0 6,1 6,2 6,2 6,3 6,3
7 0,05 3,35 3,47 3,54 3,58 3,60 3,61 3,61 3,61 3,61 3,61 3,61 3,61 3,61 3,61
0,01 4,95 5,22 5,37 5,45 5,53 5,61 5,69 5,73 5,8 5,8 5,9 5,9 6,0 6,0
8 0,05 3,26 3,39 3,47 3,52 3,55 3,56 3,56 3,56 3,56 3,56 3,56 3,56 3,56 3,56
0,01 4,74 5,00 5,14 5,23 5,32 5,40 5,47 5,51 5,5 5,6 5,7 5,7 5,8 5,8
9 0,05 3,20 3,34 3,41 3,47 3,50 3,52 3,52 3,52 3,52 3,52 3,52 3,52 3,52 3,52
0,01 4,60 4,86 4,99 5,08 5,17 5,25 5,32 5,36 5,4 5,5 5,5 5,6 5,7 5,7
10 0,05 3,15 3,30 3,37 3,43 3,46 3,47 3,47 3,47 3,47 3,47 3,47 3,47 3,47 3,48
0,01 4,48 4,73 4,88 4,96 5,06 5,13 5,20 5,24 5,28 5,36 5,42 5,48 5,54 5,55
11 0,05 3,11 3,27 3,35 3,39 3,43 3,44 3,45 3,46 3,46 3,46 3,46 3,46 3,47 3,48
0,01 4,39 4,63 4,77 4,86 4,94 5,01 5,06 5,12 5,15 5,24 5,28 5,34 5,38 5,39
12 0,05 3,08 3,23 3,33 3,36 3,40 3,42 3,44 3,44 3,46 3,46 3,46 3,46 3,47 3,48
0,01 4,32 4,55 4,68 4,76 4,84 4,92 4,96 5,02 5,07 5,13 5,17 5,22 5,24 5,26
13 0,05 3,06 3,21 3,30 3,35 3,38 3,41 3,42 3,44 3,45 3,45 3,46 3,46 3,47 3,47
0,01 4,26 4,48 4,62 4,69 4,74 4,84 4,88 4,94 4,98 5,04 5,08 5,13 5,14 5,15
14 0,05 3,03 3,18 3,27 3,33 3,37 3,39 3,41 3,42 3,44 3,45 3,46 3,46 3,47 3,47
0,01 4,21 4,42 4,55 4,63 4,70 4,78 4,83 4,87 4,91 4,96 5,00 5,04 5,06 5,07
15 0,05 3,01 3,16 3,25 3,31 3,36 3,38 3,40 3,42 3,43 3,44 3,45 3,46 3,47 3,47
0,01 4,17 4,37 4,50 4,58 4,64 4,72 4,77 4,81 4,84 4,90 4,94 4,97 4,99 5,00
Continua
Tabela A4. Pontos percentuais da distribuio da amplitude estudentizada para o

teste de Duncan.
Continuao
a: nmero de tratamentos para a amplitude considerada

P
2 3 4 5 6 7 8 9 10 12 14 16 18 20
16 0,05 3,00 3,15 3,23 3,30 3,34 3,37 3,39 3,41 3,43 3,44 3,45 3,46 3,47 3,47
0,01 4,13 4,34 4,45 4,54 4,60 4,67 4,72 4,76 4,79 4,84 4,88 4,91 4,93 4,94
17 0,05 2,98 3,13 3,22 3,28 3,33 3,36 3,38 3,40 3,42 3,44 3,45 3,46 3,47 3,47
0,01 4,10 4,30 4,41 4,50 4,56 4,63 4,68 4,72 4,75 4,80 4,83 4,86 4,88 4,89
18 0,05 2,97 3,12 3,21 3,27 3,32 3,35 3,37 3,39 3,41 3,43 3,45 3,46 3,47 3,47
0,01 4,07 4,27 4,38 4,46 4,53 4,59 4,64 4,68 4,71 4,76 4,79 4,82 4,84 4,85
19 0,05 2,96 3,11 3,19 3,26 3,31 3,35 3,37 3,39 3,41 3,43 3,44 3,46 3,47 3,47
0,01 4,05 4,24 4,35 4,43 4,50 4,56 4,61 4,64 4,67 4,72 4,76 4,79 4,81 4,82
20 0,05 2,95 3,10 3,18 3,25 3,30 3,34 3,36 3,38 3,40 3,43 3,44 3,46 3,46 3,47
0,01 4,02 4,22 4,33 4,40 4,47 4,53 4,58 4,61 4,65 4,69 4,73 4,76 4,78 4,79
22 0,05 2,93 3,08 3,17 3,24 3,29 3,32 3,35 3,37 3,39 3,42 3,44 3,45 3,46 3,47
0,01 3,99 4,17 4,28 4,36 4,42 4,48 4,53 4,57 4,60 4,65 4,68 4,71 4,74 4,75
24 0,05 2,92 3,07 3,15 3,22 3,28 3,31 3,34 3,37 3,38 3,41 3,44 3,45 3,46 3,47
0,01 3,96 4,14 4,24 4,33 4,39 4,44 4,49 4,53 4,57 4,62 4,64 4,67 4,70 4,72
26 0,05 2,91 3,06 3,14 3,21 3,27 3,30 3,34 3,36 3,38 3,41 3,43 3,45 3,46 3,47
0,01 3,93 4,11 4,21 4,30 4,36 4,41 4,46 4,50 4,53 4,58 4,62 4,65 4,67 4,69
28 0,05 2,90 3,04 3,13 3,20 3.26 3,30 3,33 3,35 3,37 3,40 3,43 3,45 3,46 3,47
0,01 3,91 4,08 4,18 4,28 4,34 4,39 4,43 4,47 4,51 4,56 4,60 4,62 4,65 4,67
30 0,05 2,89 3,04 3,12 3,20 3,25 3,29 3,32 3,35 3,37 3,40 3,43 3,44 3,46 3,47
0,01 3,89 4,06 4,16 4,22 4,32 4,36 4,41 4,45 4,48 4,54 4,58 4,61 4,63 4,65
40 0,05 2,86 3,01 3,10 3,17 3,22 3,27 3,30 3,33 3,35 3,39 3,42 3,44 3,46 3,47
0,01 3,82 3,99 4,10 4,17 4,24 4,30 4,34 4,37 4,41 4,46 4,51 4,54 4,57 4,59
60 0,05 2,83 2,98 3,08 3,14 3,20 3,24 3,28 3,31 3,33 3,37 3,40 3,43 3,45 3,47
0,01 3,76 3,92 4,03 4,12 4,17 4,23 4,27 4,31 4,34 4,39 4,44 4,47 4,50 4,53
100 0,05 2,80 2,95 3,05 3,12 3,18 3,22 3,26 3,29 3,32 3,36 3,40 3,42 3,45 3,47
0,01 3,71 3,86 3,98 4,06 4,11 4,17 4,21 4,25 4,29 4,35 4,38 4,42 4,45 4,48
Inf. 0,05 2,77 2,92 3,02 3,09 3,15 3,19 3,23 3,26 3,29 3,34 3,38 3,41 3,44 3,47
0,01 3,64 3,80 3,90 3,98 4,04 4,09 4,14 4,17 4,20 4,26 4,31 4,34 4,38 4,41
Tabela A5. Pontos percentuais da distribuio da estatstica para o teste

de Dunnett - Comparaes unilaterais.
t-1: nmero de tratamentos, excludo o testemunha

P
1 2 3 4 5 6 7 8 9
5 0,05 2,02 2,44 2,68 2,85 2,98 3,08 3,16 3,24 3,30
0,01 3,37 3,90 4,21 4,43 4,60 4,73 4,85 4,94 5,03
6 0,05 1,94 2,34 2,56 2,71 2,83 2,92 3,00 3,07 3,12
0,01 3,14 3,61 3,88 4,07 4,21 4,33 4,43 4,51 4,59
7 0,05 1,89 2,27 2,48 2,62 2,73 2,82 2,89 2,95 3,01
0,01 3,00 3,42 3,66 3,83 3,96 4,07 4,15 4,23 4,30
8 0,05 1,86 2,22 2,42 2,55 2,66 2,74 2,81 2,87 2,92
0,01 2,90 3,29 3,51 3,67 3,79 3,88 3,96 4,03 4,09
9 0,05 1,83 2,18 2,37 2,50 2,60 2,68 2.75 2,81 2,86
0,01 2,82 3,19 3,40 3,55 3,66 3,75 3,82 3,89 3,94
10 0,05 1,81 2,15 2,34 2,47 2,56 2,64 2,70 2,76 2,81
0,01 2,76 3,11 3,31 3,45 3,56 3,64 3,71 3,78 3,83
11 0,05 1,80 2,13 2,31 2,44 2,53 2,60 2,67 2,72 2,77
0,01 2,72 3,06 3,25 3,38 3,48 3,56 3,63 3,69 3,74
12 0,05 1,78 2,11 2,29 2,41 2,50 2,58 2,64 2,69 2,74
0,01 2,68 3,01 3,19 3,32 3,42 3,50 3,56 3,62 3,67
13 0,05 1,77 2,09 2,27 2,39 2,48 2,55 2,61 2,66 2,71
0,01 2,65 2,97 3,15 3,27 3,37 3,44 3,51 3,56 3,61
14 0,05 1,76 2,08 2,25 2,37 2,46 2,53 2,59 2,64 2,69
0,01 2,62 2,94 3,11 3,23 3,32 3,40 3,46 3,51 3,56
15 0,05 1,75 2,07 2,24 2,36 2,44 2,51 2,57 2,62 2,67
0,01 2,60 2,91 3,08 3,20 3,29 3,36 3,42 3,47 3,52
16 0,05 1,75 2,06 2,23 2,34 2,43 2,50 2,56 2,61 2,65
0,01 2,58 2,88 3,05 3,17 3,26 3,33 3,39 3,44 3,48
17 0,05 1,74 2,05 2,22 2,33 2,42 2,49 2,54 2,59 2,64
0,01 2,57 2,86 3,03 3,14 3,23 3,30 3,36 3,41 3,45
18 0,05 1,73 2,04 2,21 2,32 2,41 2,48 2,53 2,58 2,62
0,01 2,55 2,84 3,01 3,12 3,21 3,27 3,33 3,38 3,42
19 0,05 1,73 2,03 2,20 2,31 2,40 2,47 2,52 2,57 2,61
0,01 2,54 2,83 2,99 3,10 3,18 3,25 3,31 3,36 3,40
20 0,05 1,72 2,03 2,19 2,30 2,39 2,46 2,51 2,56 2,60
0,01 2,53 2,81 2,97 3,08 3,17 3,23 3,29 3,34 3,38
24 0,05 1,71 2,01 2,17 2,28 2,36 2,43 2,48 2,53 2,57
0,01 2,49 2,77 2,92 3,03 3,11 3,17 3,22 3,27 3,31
30 0,05 1,70 1,99 2,15 2,25 2,33 2,40 2,45 2,50 2,54
0,01 2,46 2,72 2,87 2,97 3,05 3,11 3,16 3,21 3,24
40 0,05 1,68 1,97 2,13 2,23 2,31 2,37 2,42 2,47 2,51
0,01 2,42 2,68 2,82 2,92 2,99 3,05 3,10 3,14 3,18
60 0,05 1,67 1,95 2,10 2,21 2,28 2,35 2,39 2,44 2,48
0,01 2,39 2,64 2,78 2,87 2,94 3,00 3,04 3,08 3,12
120 0,05 1,66 1,93 2,08 2,18 2,26 2,32 2,37 2,41 2,45
0,01 2,36 2,60 2,73 2,82 2,89 2,94 2,99 3,03 3,06
Inf. 0,05 1,64 1,92 2,06 2,16 2,23 2,29 2,34 2,38 2,42
0,01 2,33 2,56 2,68 2,77 2,84 2,89 2,93 2,97 3,00
Tabela A6. Pontos percentuais da distribuio da estatstica para o teste

de Dunnett - Comparaes bilaterais.
t-1: nmero de tratamentos, excludo o testemunha

P
1 2 3 4 5 6 7 8 9 10 11 12 15 20
5 0,05 2,57 3,03 3,29 3,48 3,62 3,73 3,82 3,90 3,97 4,03 4,09 4,14 4,26 4,42
0,01 4,03 4,63 4,98 5,22 5,41 5,56 5,69 5,80 5,89 5,98 6,05 6,12 6,30 6,52
6 0,05 2,45 2,86 3,10 3,26 3,39 3,49 3,57 3,64 3,71 3,76 3,81 3,86 3,97 4,11
0,01 3,71 4,21 4,51 4,71 4,87 5,00 5,10 5,20 5,28 5,35 5,41 5,47 5,62 5,81
7 0,05 2,36 2,75 2,97 3,12 3,24 3,33 3,41 3,47 3,53 3,58 3,63 3,67 3,78 3,91
0,01 3,50 3,95 4,21 4,39 4,53 4,64 4,74 4,82 4,89 4,95 5,01 5,06 5,19 5,36
8 0,05 2,31 2,67 2,88 3,02 3,13 3,22 3,29 3,35 3,41 3,46 3,50 3,54 3,64 3,76
0,01 3,36 3,77 4,00 4,17 4,29 4,40 4,48 4,56 4,62 4,68 4,73 4,78 4,90 5,05
9 0,05 2,26 2,61 2,81 2,95 3,05 3,14 3,20 3,26 3,32 3,36 3,40 3,44 3,53 3,65
0,01 3,25 3,63 3,85 4,01 4,12 4,22 4,30 4,37 4,43 4,48 4,53 4,57 4,68 4,82
10 0,05 2,23 2,57 2,76 2,89 2,99 3,07 3,14 3,19 3,24 3,29 3,33 3,36 3,45 3,57
0,01 3,17 3,53 3,74 3,88 3,99 4,08 4,16 4,22 4,28 4,33 4,37 4,42 4,52 4,65
11 0,05 2,20 2,53 2,72 2,84 2,94 3,02 3,08 3,14 3,19 3,23 3,27 3,30 3,39 3,50
0,01 3,11 3,45 3,65 3,79 3,89 3,98 4,05 4,11 4,16 4,21 4,25 4,29 4,39 4,52
12 0,05 2,18 2,50 2,68 2,81 2,90 2,98 3,04 3,09 3,14 3,18 3,22 3,25 3,34 3,45
0,01 3,05 3,39 3,58 3,71 3,81 3,89 3,96 4,02 4,07 4,12 4,16 4,19 4,29 4,41
13 0,05 2,16 2,48 2,65 2,78 2,87 2,94 3,00 3,06 3,10 3,14 3,18 3,21 3,29 3,40
0,01 3,01 3,33 3,52 3,65 3,74 3,82 3,89 3,94 3,99 4,04 4,08 4,11 4,20 4,32
14 0,05 2,14 2,46 2,63 2,75 2,84 2,91 2,97 3,02 3,07 3,11 3,14 3,18 3,26 3,36
0,01 2,98 3,29 3,47 3,59 3,69 3,76 3,83 3,88 3,93 3,97 4,01 4,05 4.13 4,24
15 0,05 2,13 2,44 2,61 2,73 2,82 2,89 2,95 3,00 3,04 3,08 3,12 3,15 3,23 3,33
0,01 2,95 3,25 3,43 3,55 3,64 3,71 3,78 3,83 3,88 3,92 3,95 3,99 4,07 4,18
16 0,05 2,12 2,42 2,59 2,71 2,80 2,87 2,92 2,97 3,02 3,06 3,09 3,12 3,20 3,30
0,01 2,92 3,22 3,39 3,51 3,60 3,67 3,73 3,78 3,83 3,87 3,91 3,94 4,02 4,13
17 0,05 2,11 2,41 2,58 2,69 2,78 2,85 2,90 2,95 3,00 3,03 3,07 3,10 3,18 3,27
0,01 2,90 3,19 3,36 3,47 3,56 3,63 3,69 3,74 3,79 3,83 3,86 3,90 3,98 4,08
18 0,05 2,10 2,40 2,56 2,68 2,76 2,83 2,89 2,94 2,98 3,01 3,05 3,08 3,16 3,25
0,01 2,88 3,17 3,33 3,44 3,53 3,60 3,66 3,71 3,75 3,79 3,83 3,86 3,94 4,04
19 0,05 2,09 2,39 2,55 2,66 2,75 2,81 2,87 2,92 2,96 3,00 3,03 3,06 3,14 3,23
0,01 2,86 3,15 3,31 3,42 3,50 3,57 3,63 3,68 3,72 3,76 3,79 3,83 3,90 4,00
20 0,05 2,09 2,38 2,54 2,65 2,73 2,80 2,86 2,90 2,95 2,98 3,02 3,05 3,12 3,22
0,01 2,85 3,13 3,29 3,40 3,48 3,55 3,60 3,65 3,69 3,73 3,77 3,80 3,87 3,97
24 0,05 2,06 2,35 2,51 2,61 2,70 2,76 2,81 2,86 2,90 2,94 2,97 3,00 3,07 3,16
0,01 2,80 3,07 3,22 3,32 3,40 3,47 3,52 3,57 3,61 3,64 3,68 3,70 3,78 3,87
30 0,05 2,04 2,32 2,47 2,58 2,66 2,72 2,77 2,82 2,86 2,89 2,92 2,95 3,02 3,11
0,01 2,75 3,01 3,15 3,25 3,33 3,39 3,44 3,49 3,52 3,56 3,59 3,62 3,69 3,78
40 0,05 2,02 2,29 2,44 2,54 2,62 2,68 2,73 2,77 2,81 2,85 2,87 2,90 2,97 3,06
0,01 2,70 2,95 3,09 3,19 3,26 3,32 3,37 3,41 3,44 3,48 3,51 3,53 3,60 3,68
60 0,05 2,00 2,27 2,41 2,51 2,58 2,64 2,69 2,73 2,77 2,80 2,83 2,86 2,92 3,00
0,01 2,66 2,90 3,03 3,12 3,19 3,25 3,29 3,33 3,37 3,40 3,42 3,45 3,51 3,59
120 0,05 1,98 2,24 2,38 2,47 2,55 2,60 2,65 2,69 2,73 2,76 2,79 2,81 2,87 2,95
0,01 2,62 2,85 2,97 3,06 3,12 3,18 3,22 3,26 3,29 3,32 3,35 3,37 3,43 3,51
Inf. 0,05 1,96 2,21 2,35 2,44 2,51 2,57 2,61 2,65 2,69 2,72 2,74 2,77 2,83 2,91
0,01 2,58 2,79 2,92 3,00 3,06 3,11 3,15 3,19 3,22 3,25 3,27 3,29 3,35 3,42
Tabela A7. Coeficientes para ajustamento de polinmios ortogonais.

Nveis consecutivos igualmente espaados.
Pki2
Nm. Grau Tratamento
trat. polin. Lk
(t) (k) 1 2 3 4 5 6 7 8 9 10 i
2 1 -1 1 2 2
3 1 -1 0 1 2 1
2 1 -2 1 6 3
4 1 -3 -1 1 3 20 2
2 1 -1 -1 1 4 1
3 -1 3 -3 1 20 10/3
5 1 -2 -1 0 1 2 10 1
2 2 -1 -2 -1 2 14 1
3 -1 2 0 -2 1 10 5/6
4 1 -4 6 -4 1 70 35/12
6 1 -5 -3 -1 1 3 5 70 2
2 5 -1 -4 -4 -1 5 84 3/2
3 -5 7 4 -4 -7 5 180 5/3
4 1 -3 2 2 -3 1 28 7/12
5 -1 5 -10 10 -5 1 252 21/10
7 1 -3 -2 -1 0 1 2 3 28 1
2 5 0 -3 -4 -3 0 5 84 1
3 -1 1 1 0 -1 -1 1 6 1/6
4 3 -7 1 6 1 -7 3 154 7/12
5 -1 4 -5 0 5 -4 1 84 7/20
8 1 -7 -5 -3 -1 1 3 5 7 168 2
2 7 1 -3 -5 -5 -3 1 7 168 1
3 -7 5 7 3 -3 -7 -5 7 264 2/3
4 7 -13 -3 9 9 -3 -13 7 616 7/12
5 -7 23 -17 -15 15 17 -23 7 2184 7/10
9 1 -4 -3 -2 -1 0 1 2 3 4 60 1
2 28 7 -8 -17 -20 -17 -8 7 28 2772 3
3 -14 7 13 9 0 -9 -13 -7 14 990 5/6
4 14 -21 -11 9 18 9 -11 -21 14 2002 7/12
5 -4 11 -4 -9 0 9 4 -11 4 468 3/20
10 1 -9 -7 -5 -3 -1 1 3 5 7 9 330 2
2 6 2 -1 -3 -4 -4 -3 -1 2 6 132 1/2
3 -42 14 35 31 12 -12 -31 -35 -14 42 8580 5/3
4 18 -22 -17 3 18 18 3 -17 -22 18 2860 5/12
5 -6 14 -1 -11 -6 6 11 1 -14 6 780 1/10
2 2
t 1 3t 7
P1 = L1X; P2 = L2(X2 - ) ; P3 = L3(X3 - X);
12 20
2 2 2
k (t k )
Pk+1 = P1Pk - 2 Pk-1.
4( 4 k 1)
Tabela A8. Pontos percentuais superiores da distribuio da estatstica Fmax:

Fmax = max si2 min si2 .
i i
k: nmero de varincias
P
2 3 4 5 6 7 8 9 10 11 12
2 0,05 39,0 87,5 142 202 266 333 403 475 550 626 704
0,01 199 448 729 1036 1362 1705 2063 2342 2813 3204 3605
3 0,05 15,4 27,8 39,2 50,7 62,0 72,9 83,5 93,9 104 114 124
0,01 47,5 85 120 151 184 216 249 281 310 337 361
4 0,05 9,6 15,5 20,6 25,2 29,5 33,6 37,5 41,4 44,6 48,0 51,4
0,01 23,2 37 49 59 69 79 89 97 106 113 120
5 0,05 7,15 10,8 13,7 16,3 18,7 20,8 22,9 24,7 26,5 28,2 29,9
0,01 14,9 22 28 33 38 42 46 50 54 57 60
6 0,05 5,82 8,38 10,4 12,1 13,7 15,0 16,3 17,5 18,6 19,7 20,7
0,01 11,1 15,5 19,1 22 25 27 30 32 34 36 37
7 0,05 4,99 6,94 8,44 9,70 10,8 11,8 12,7 13,5 14,3 15,1 15,8
0,01 8,89 12,1 14,5 16,5 18,4 20 22 23 24 26 27
8 0,05 4,43 6,00 7,18 8,12 9,03 9,78 10,5 11,1 11,7 12,2 12,7
0,01 7,50 9,9 11,7 13,2 14,5 15,8 16,6 17,9 18,9 19,8 21
9 0,05 4,03 5,34 6,31 7,11 7,80 8,41 8,95 9,45 9,91 10,3 10,7
0,0 6,54 8,5 9,9 11,1 12,1 13,1 13,9 14,7 15,3 16,0 16,6
10 0,05 3,72 4,85 5,67 6,34 6,92 7,42 7,87 8,28 8,66 9,01 9,34
0,01 5,85 7,4 8,6 9,6 10,4 11,1 11,8 12,4 12,9 13,4 13,9
12 0,05 3,28 4,16 4,79 5,30 5,72 6,09 6,42 6,72 7,00 7,25 7,48
0,01 4,91 6,1 6,9 7,6 8,2 8,7 9,1 9,5 9,9 10,2 10,6
15 0,05 2,86 3,54 4,01 4,37 4,68 4,95 4,19 5,40 5,59 5,77 5,93
0,01 4,07 4,9 5,5 6,0 6,4 6,7 7,1 7,3 7,5 7,8 8,0
20 0,05 2,46 2,95 3,29 3,54 3,76 3,94 4,10 4,24 4,37 4,49 4,59
0,01 3,32 3,8 4,3 4,6 4,9 5,1 5,3 5,5 5,6 5,8 5,9
30 0,05 2,07 2,40 2,61 2,78 2,91 3,02 3,12 3,21 3,29 3,36 3,39
0,01 2,63 3,0 3,3 3,4 3,6 3,7 3,8 3,9 4,0 4,1 4,2
60 0,05 1,67 1,85 1,96 2,04 2,11 2,17 2,22 2,26 2,30 2,33 2,36
0,01 1,96 2,2 2,3 2,4 2,4 2,5 2,5 2,6 2,6 2,7 2,7
0,05 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00
0,01 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 9
Tabela A9. Pontos percentuais superiores da distribuio da estatstica C de Cochran:

C = max si2 si2 .
i i
k: nmero de varincias
P
2 3 4 5 6 7 8 9 10 15 20
1 0,05 0,999 0,967 0,907 0,841 0,781 0,727 0,680 0,639 0,602 0,471 0,389
0,01 0,999 0,993 0,968 0,928 0,883 0,838 0,795 0,754 0,718 0,575 0,480
2 0,05 0,975 0,871 0,768 0,684 0,616 0,561 0,516 0,478 0,445 0,335 0,271
0,01 0,995 0,942 0,864 0,789 0,722 0,664 0,615 0,573 0,536 0,407 0,330
3 0,05 0,939 0,798 0,684 0,598 0,532 0,480 0,438 0,403 0,373 0,276 0,221
0,01 0,979 0,883 0,781 0,696 0,626 0,569 0,521 0,481 0,447 0,332 0,265
4 0,05 0,906 0,746 0,629 0,544 0,480 0,431 0,391 0,358 0,331 0,242 0,192
0,01 0,959 0,834 0,721 0,633 0,564 0,508 0,463 0,425 0,393 0,288 0,229
5 0,05 0,877 0,707 0,590 0,507 0,445 0,397 0,360 0,329 0,303 0,220 0,174
0,01 0,937 0,793 0,676 0,588 0,520 0,466 0,423 0,387 0,357 0,259 0,205
6 0,05 0,853 0,677 0,560 0,478 0,418 0,373 0,336 0,307 0,282 0,203 0,160
0,01 0,917 0,761 0,641 0,553 0,487 0,435 0,393 0,359 0,331 0,239 0,188
7 0,05 0,833 0,653 0,537 0,456 0,398 0,354 0,319 0,290 0,267 0,191 0,150
0,01 0,899 0,734 0,613 0,526 0,461 0,411 0,370 0,338 0,311 0,223 0,175
8 0,05 0,816 0,633 0,518 0,439 0,382 0,338 0,304 0,277 0,254 0,182 0,142
0,01 0,882 0,711 0,590 0,504 0,440 0,391 0,352 0,321 0,295 0,210 0,165
9 0,05 0,801 0,617 0,5020 0,424 0,368 0,326 0,293 0,266 0,244 0,174 0,136
0,01 0,867 0,691 0,424,
0,570 0,485 0,423 0,375 0,337 0,307 0,281 0,200 0,157
16 0,05 0,734 0,547 0,437 0,365 0,314 0,276 0,246 0,223 0,203 0,143 0,111
0,01 0,795 0,606 0,488 0,409 0,353 0,311 0,278 0,251 0,230 0,161 0,125
36 0,05 0,660 0,475 0,372 0,307 0,261 0,228 0,202 0,182 0,166 0,114 0,088
0,01 0,707 0,515 0,406 0,335 0,286 0,249 0,221 0,199 0,181 0,125 0,096
144 0,05 0,581 0,403 0,309 0,251 0,212 0,183 0,162 0,145 0,131 0,089 0,068
0,01 0,606 0,423 0,325 0,264 0,223 0,193 0,170 0,152 0,138 0,093 0,071

Analise Estatistica de Experimentos Texto PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Analise Estatistica de Experimentos Texto PDF

Hochgeladen von

Copyright:

Verfügbare Formate

ESTATSTICA EXPERIMENTAL:

ANLISE ESTATSTICA DE EXPERIMENTOS

Joo Gilberto Corra da Silva

Universidade Federal de Pelotas

ANLISE ESTATSTICA DE EXPERIMENTOS

Joo Gilberto Corra da Silva

1. Delineamentos Experimentais Simples.......................................... 1

2. Discriminao da Variao Atribuvel a Tratamentos ................... 51

3. Derivaes dos Delineamentos Simples ........................................ 115

4. Experimentos Fatoriais .................................................................. 135

5. Delineamentos com Parcelas Divididas ......................................... 185

6. Anlise de Regresso e Correlao Linear Simples ....................... 213

7. Anlise de Regresso Linear Mltipla ........................................... 241

8. Pressuposies do Modelo Estatstico: Violaes, Implicaes, 269

1.1 Introduo ...........................................................................................................................1

caractersticas explanatrias e as caractersticas estranhas, que foi determinada pela estrutura

um parmetro um intervalo de confiana para esse parmetro com coeficiente de confiana

1.2 Delineamento Completamente Casualizado

1.2.1 Igual nmero de repeties dos tratamentos

Tabela 1.1. Valores observados da varivel resposta em um

Tratamento Repetio (j) Soma Mdia

O total e a mdia das observaes de cada tratamento esto dispostos na penltima e

O total geral e a mdia geral da amostra so denotados por y .. e y.. , respectivamente:

1.2.1.2 Estimao dos parmetros por ponto

A minimizao dessa funo quadrtica dos parmetros m e ti (i=1,2,...,t) pode ser

equaes a 1+t incgnitas (m,t1,t2, ...,tt) indeterminado. Impondo a condio t1 + t 2 +...+ t t = 0

O estimador da varincia atribuvel ao erro experimental (varincia casual) 2 , ento:

casual o nmero de unidades experimentais menos o nmero de parmetros linearmente

Figura 1.1. Produo de gros por parcela do experimento de

Inicialmente, as observaes so arranjadas em uma tabela apropriada para os clculos

Tabela 1.2. Resultados do experimento do Exemplo 1.1 dispostos

Tratamento Repetio (j) Soma Mdia

As somas e mdias de tratamentos so facilmente calculadas e preenchidas nas

y1. = y11 + y12 + y13 + y14 = 64 + 59 + 50 + 63 = 236,

Tabela 1.3. Valores observados, valores estimados e resduos das parcelas do

Valor observado Valor estimado Resduo

1.2.1.3 Anlise da variao

(yij y.. ) 2 = r (yi . y.. ) 2 + (yij yi . )2 ,

i=1 j=1 i=1 i=1 j=1

j que a soma correspondente ao ltimo termo nula e:

i=1 j=1 j=1 i=1 i=1

A penltima equao a equao fundamental da anlise da variao para o

A decomposio da variao total usualmente apresentada em uma tabela,

Tabela 1.4. Esquema da anlise da variao para experimento

SQ Trat. = r (yi . y.. ) 2

Os quocientes das somas de quadrados de tratamento e do erro pelos correspondentes

C = yij = y..2 = tr y..2 .

Tabela 1.5. Tabela da anlise da variao para os dados de produo

SQ Erro = SQ Total SQ Tratamento =

1.2.1.4 Teste de hiptese

Procedimento para o teste da hiptese referente aos efeitos dos tratamentos

O quadrado mdio de uma fonte de variao a variao atribuvel a esta fonte

Isso significa que o QM Tratamento um estimador tendencioso da varincia casual 2, com

Tratamento) = 2. Esta condio corresponde hiptese de nulidade H0.

Figura 1.2. Representao grfica da distribuio F.

Observe-se, entretanto, que, se a hiptese de nulidade H0 no verdadeira, ento, o

r t i2 / 2 . Probabilidades de valores desta estatstica F

no central situadas na cauda direita so superiores s probabilidades de valores da varivel

Figura 1.3. Representao grfica da distribuio da estatstica F sob a hiptese H0

O teste de hiptese um processo de deciso sob incerteza. O pesquisador no sabe

Tabela 1.6. Decises alternativas que podem resultar do processo de

O erro que corresponde deciso incorreta de rejeitar a hiptese de nulidade quando

Figura 1.4. Regio de aceitao e regio de rejeio da hiptese H0

1 y11 y12 ... y*1t y .1. y.1.